Jak pracovat s jazykem R Kateřina Konečná, Jan Koláček OBSAH 1 Obsah Úvod 2 1 První setkání s jazykem R 3 1.1 Základní ovládání.............................. 4 1.2 Nápověda.................................. 6 1.3 Workspace (pracovní prostor)....................... 6 1.4 Datové typy objektů............................ 8 1.5 Datové struktury.............................. 9 2 Vektory 11 2.1 Základní příkazy, tvorba vektorů...................... 12 2.2 Subvektory ................................. 15 2.3 Délka a změna délky vektoru........................ 17 2.4 Faktory ................................... 19 3 Matice a pole 22 3.1 Základní příkazy, tvorba matic a polí................... 22 3.2 Submatice.................................. 25 3.3 Funkce pro manipulaci s maticemi..................... 27 4 Datové tabulky a seznamy 33 4.1 Základní příkazy, tvorba datových tabulek a seznamů.......... 33 4.2 Podmnožiny seznamů............................ 35 4.3 Funkce pro manipulaci s datovými tabulkami a seznamy........ 37 5 Konstanty, operátory a matematické výpočty 45 5.1 Aritmetické operátory ........................... 46 5.2 Porovnávací a logické operátory...................... 47 5.3 Množinové operátory............................ 48 5.4 Matematické funkce............................. 49 5.5 Zaokrouhlování............................... 52 5.6 Konstanty.................................. 53 OBSAH 6 Další příkazy v R 56 6.1 Práce s knihovnami............................. 56 6.2 Práce s daty................................. 57 6.3 Vlastnosti objektů ............................. 60 7 Grafika v R 65 7.1 High-level funkce.............................. 66 7.2 Low-level funkce............................... 81 7.3 Funkce par()................................ 82 7.4 Další užitečné funkce............................ 84 8 Programování v R 91 8.1 Funkce a dávkové soubory......................... 91 8.2 Lokální a globální proměnné........................ 93 8.3 Podmíněné příkazy............................. 95 8.4 Příkazy cyklů................................ 97 8.5 Skupiny funkcí applyO .......................... 98 9 Základy statistického zpracování dat 103 9.1 Pravděpodobnostní rozložení........................ 103 9.2 Testy statistických hypotéz......................... 104 9.3 Grafická zobrazení ............................. 107 Seznam použité literatury 110 2 ÚVOD 3 Úvod R je volně dostupný jazyk používaný zejména v akademické a vědecké sféře. Jedná se o prostředí pro statistickou analýzu dat a jejich grafické zobrazení. Standardní distribuce R obsahuje množství funkcí pro manipulaci s daty, výpočty a grafické výstupy, široká škála dalších funkcí je součástí mnoha podpůrných balíčků. Jedná se o programovací prostředí umožňující definovat rovněž své vlastní funkce a skripty. Bezesporným kladem jazyka R je jeho grafika. Ta je založena na systému high-level a low-level funkcí, jejichž vhodnou kombinací může uživatel dosáhnout grafického výstupu přesně dle své představy. Následující studijní text seznamuje studenty se syntaxí jazyka R, jeho datovými strukturami, funkcemi pro tvorbu grafiky stejně jako se základy programování. Text je doplněn o množství jak ukázkových příkladů, tak příkladů určených pro samostatné řešení a je vytvořen pro práci v prostředí klasické příkazové řádky jazyka R. V současné době je ovšem možnost využít různých nadstaveb a uživatelsky přívětivějšího prostředí, např. RStudio, RKWard apod. Program je volně dostupný na webových stránkách projektu (http: //www. r-pro j ect. org, [19]), kde jsou k dispozici i podrobné manuály ([17], [10]) a online nápověda. Srozumitelným a velmi přehledně zpracovaným materiálem s množstvím názorných příkladů a doplňkových otázek je skriptum P. Drozd: Cvičení z biostatistiky [3], z anglické literatury stojí za zmínku studijní materiály Theresy A. Scott [11], [12], [13], [14]. Velmi přínosné jsou dokumenty srovnávající příkazy v R s ekvivalentními příkazy v MATLABu [5], [4]. Někdy se syntaxe či chování R a MATLABu výrazně liší. V těchto případech je v textu na tyto odlišnosti upozorněno a pro zvýraznění a snadnější orientaci je na okrajích stránek použita ikonka MATLABu [20]. Kateřina Konečná, Jan Koláček KAPITOLA 1. PRVNÍ SETKÁNÍ S JAZYKEM R 4 Kapitola 1 První setkání s jazykem R Základní informace R je volně šiřitelný programovací jazyk, který umožňuje špičkové zpracování dat včetně grafických výstupů. Jeho široké spektrum využití zahrnuje možnost doplnění základních funkcí ohromným množstvím balíčků s funkcemi pro různé typy analýz. V této kapitole popíšeme, jak prostředí R vypadá, naučíme se zde orientovat, zaměříme se na základní syntaxi a pravidla pro práci s proměnnými a funkcemi. Cílem není znát všechny argumenty funkcí zpaměti, ale dobře jim porozumět a vědět, kde tyto informace najít. Důležitou součástí kapitoly je proto naučit se pracovat s nápovědním systémem jazyka, popř. vědět, kde najít podrobnější manuály vhodné zejména pro začátečníky. Jazyk R pracuje nad datovými strukturami - těm nejčastěji používaným je stručně věnována poslední část kapitoly. Výstupy z výuky Studenti • se seznámí s prostředím jazyka R a jeho základními příkazy, • umí využívat nápovědního systému, • se orientují v pracovním prostoru a příkazech s ním spjatých, • rozlišují datové typy objektů, dokáží popsat jednotlivé datové struktury. KAPITOLA 1. PRVNÍ SETKÁNÍ S JAZYKEM R 1.1 Základní ovládání R je volně dostupný programovací jazyk a softwarové prostředí pro statistické výpočty a grafiku, který je možný provozovat na operačních systémech UNIX, Windows i MacOS. R je skutečně „jen" programovací jazyk - žádné grafické rozhraní, které by se dalo ovládat myší, zde není. Pro grafické rozhraní (GUI) je potřeba vyzkoušet některé grafické nástavby (Poor Man's GUI, Rcommander, ...). Program lze získat z webových stránek projektu (http://www.r-project.org, [19]). Po spuštění programu se objeví okno s konzolou (R console), ve kterém se dají spouštět funkce, vkládají se objekty, provádí se výpočty a zobrazují se i základní výstupy. Dále se můžeme setkat i s dalšími typy oken: • okno nápovědy - volá se po zadání příkazu helpO • grafické okno - při spuštění grafické prezentace • editor programu - zobrazíme ho v menu Fíle —> New Scrípt. Toto okno je určeno k tvorbě programů. (U delších zdrojových kóduje výhodné mít k dispozici editor s číslovanými řádky, kontrolu syntaxe R a závorek - jako freeware PSPad, http://www.pspad.com , nebo shareware WinEdt, http://www.winedt.cz ) To, že je konzole připravena k používání, symbolizuje prompt >, za nímž následují jednotlivé příkazy. Pokud nezměníme základní nastavení, řádky, do nichž vepisujeme příkazy, jsou odlišeny červenou barvou. Výstupní řádek je psán modrým písmem, v případě hodnot začíná pořadovým číslem dané hodnoty. Příkaz v konzole spustíme klávesou ENTER. Takto provedený příkaz nelze opravit přímo, ale v již napsaných příkazech můžeme listovat pomocí kláves f ^ , jež umožňují pohyb v historii příkazů. Historii příkazů můžeme uložit v menu Fíle —> Save Hístory. Konzole se všemi příkazy může být uložena v menu Fíle —> Save to Fíle .... Jednotlivé příkazy jsou vkládány na nový řádek, v případě více příkazů za sebou jsou navzájem oddělovány středníkem. Složitější příkazy, které mají být spuštěny bezprostředně po sobě, jsou seskupovány pomocí složených závorek. Každý příkaz je následován kulatými závorkami s argumenty v případě, že jsou požadovány. Argumenty lze uvádět ve stejném pořadí, v jakém byly definovány, nebo je možno je uvádět v libovolném pořadí ve tvaru název. argumentu=hodnota. Argumenty je často možné zkracovat (jestliže zkratka nemůže znamenat jiný argument), např. round(x, digits=2) má naprosto stejný význam jako round(x, d=2) (jedná se o funkci zaokrouhlení na 2 desetinná místa). Příkazem <- (popř. =, ten se ovšem nedoporučuje) vložíme daný výraz do proměnné. K jejímu zobrazení musí být v konzole z příkazové řádky zavolán jeho název. Další možností je zadání celého příkazu do kulatých závorek. 5 KAPITOLA 1. PRVNÍ SETKÁNÍ S JAZYKEM R > a <- 2 > a [1] 2 > (a <- 2) [1] 2 Pro neúplné příkazy se na následujícím řádku objeví prompt + , který dává možnost dodat chybějící část příkazu, a pokračuje dál ve čtení. > a <- (2+3 > + ) * 5 [1] 25 Symbol # na příkazové řádce způsobí ignoraci zbytku řádky (komentář). > a <- 2 # komentár > a [1] 2 Při zadávání názvu jednotlivých proměnných či objektů bychom měli dodržovat určitá pravidla. Názvy se mohou skládat z písmen (a-z, A-Z), číslic (0-9), tečky a podtržítka. Název musí začínat písmenem, nesmí začínat číslicí, tečka rovněž není doporučována. Matematické operátory (+, -, *, /), mezera a jiné další speciální znaky také nejsou povoleny. Chceme-li použít víceslovný název, rozdělení názvu na dvě části se provádí pomocí tečky (např. průměrnou výšku chlapců můžeme nazvat chlapci .prumer), popř. pomocí podtržítka (chlapci_prumer). Rovněž bychom se měli vyvarovat používání názvů vestavěných proměnných. R je case sensitive, tzn. rozlišuje malá a velká písmena. > a <- 2 > a [1] 2 > A Error: object 'A' not found Běžící program může být zastaven klávesou ESC ve Windows, CTRL + C v Linuxu. Konzoli můžeme vymazat klávesovou zkratkou CTRL + L nebo v menu Edit —> Clear Console. Pro ukončení programu se používá příkaz q(). 6 KAPITOLA 1. PRVNÍ SETKÁNÍ S JAZYKEM R 1.2 Nápověda Příkazem helpO je vyvoláno další okno - okno nápovědy. V levé části můžeme najít abecedně seřazený seznam objektů, poklikáním na některý z nich se v hlavním okně zobrazí popis objektu. Pro zobrazení nápovědy ke konkrétním objektům či funkcím slouží příkaz help (terna), alternativou může být rovněž ?tema nebo v menu Help —> R-functíons (text) .... Chceme-li znát argumenty příkazu, můžeme použít funkci args(nazev_funkce). Pro vyhledávání témat v kontextu (tzn. ne pouze v názvech a zkrácených popisech funkcí a objektů, ale i v klíčových slovech) slouží příkaz help.search("terna"), v menu Help —> Search Help nebo v okně nápovědy pod záložkou Vyhledávat. Příkazem apropos("název") zobrazíme příbuzné příkazy k příkazu název, pro příklady k nějakému tématu použijeme příkaz example (terna). K dispozici jsou rovněž PDF manuály, které obsahují základní manuály a reference o funkcích. Spouští se přes menu Help —> Manuals (in PDF). HTML nápovědu, obsahující manuály, seznamy funkcí, apod. zobrazíme příkazem help.start() nebo přes menu Help —> Html help. Jazyk R nabízí i několik funkcí, které uživatelům usnadňují pochopení některých příkazů. Funkce demo je uživatelsky příznivé prostředí, ve kterém běží demonstrace (ukázkové programy) R skriptů. Příkaz demo() vypíše seznam všech dostupných demonstrací. Argumenty funkce demo: topič téma, které má být demonstrováno package název balíčku, ze kterého má být spuštěno topič > demo(persp) v novém okně spustí ukázky použití funkce persp V MATLABu je analogickým příkazem funkcí help(f unkce) a ?f unkce příkaz help funkce. 1.3 Workspace (pracovní prostor) Program R načítá data z jakéhokoliv adresáře. Nejjednodušší pro manipulaci s nimi je ukládat si data do tzv. pracovního adresáře (workspace). Chceme-li zjistit, ve kterém adresáři se právě nacházíme, použijeme příkaz getwd(). Ten zobrazí kompletní cestu do aktuální složky. Pro změnu pracovního adresáře použijeme příkaz setwd(), jehož argumentem je cesta k adresáři v jednoduchých apostofech (') nebo uvozovkách ("). Změna adresáře je rovněž možná přes menu File —> Change dir .... 7 KAPITOLA 1. PRVNÍ SETKÁNÍ S JAZYKEM R > (setwd("C:/Documents and Settings/PC/Plocha/R")) nastaví za pracovní adresář složku R umístěnou na ploše a vypíše cestu složky, ze které jsme vycházeli. [1] "C:/Documents and Settings/PC/Dokumenty" O tom, že se opravdu nacházíme v adresáři R, se můžeme přesvědčit příkazem > getwdO [1] "C:/Documents and Settings/PC/Plocha/R" Příkazy dir() nebo list.filesO zobrazíme názvy souborů v aktuálním nebo zadaném adresáři. > dir() výpis souborů v aktuálním adresáři [1] "cvičeni" "prednášky" "data" > dir("C:/Documents and Settings/PC/Plocha/R/cviceni") [1] "cvičeni 1" "cvičeni 2" "cvičeni 3" "cvičeni 4" [5] "cvičeni 5" "cvičeni 6" > list.files("C:/Documents and Settings/PC/Plocha/R/cviceni") [1] "cvičeni 1" "cvičeni 2" "cvičeni 3" "cvičeni 4" [5] "cvičeni 5" "cvičeni 6" Všechny objekty, které v průběhu práce vytvoříme, se ukládají do paměti a můžeme s nimi kdykoliv manipulovat. Vytvořené objekty tvoří tzv. workspace (pracovní prostor), chceme-li je uchovat pro pozdější práci, celý workspace uložíme pomocí File —> —> Save Workspace .... Tímto způsobem vytvoříme soubor s koncovkou .R, který se při dalším spuštění ze stejného adresáře automaticky nahraje spolu s historií příkazů. V případě, že zavřeme program R bez uložení, při dalším spuštění už dříve definované objekty nejsou k dispozici. Více o ukládání jednotlivých objektů viz odstavec 6.2. Další užitečné příkazy: objectsO, ls() vypíše všechny názvy objektů, které jsou momentálně definovány v aktuálním adresáři ls(name, pattern, all.names=T) vypíše ty objekty, které jsou omezeny volitelnými parametry: name výpis konkrétního objektu podle čísla nebo názvu prostředí pattern vyhledávací výraz (např. objekty začínající na "a") all.names nastavený na hodnotu TRUE vyhledává také objekty začínající tečkou rm() maže vybrané objekty rm(list=ls()) maže všechny objekty > ls(pattern="v") [1] "v" "vec" "vector" > ls(pattern="v", all.names=T) [1] ".vec" "v" "vec" "vector" 8 KAPITOLA 1. PRVNÍ SETKÁNÍ S JAZYKEM R > rm(v,vec) příkaz analogický příkazu rm(list=c("v", "vec")) > ls() [1] ".vec" "vector" 1.4 Datové typy objektů Jazyk R používá následující datové typy: • numerické hodnoty vypisujeme klasickým způsobem, k oddělení desetinných míst používáme desetinnou tečku, tzn. > 1.234 • komplexní - numerická hodnota je doplněna o komplexní jednotku i, např. > 1 + 2i [1] 1 + 2i > 3 + li Pozor! Komplexní jednotka musí být vždy doplněna o numerickou hodnotu [1] 3 + li > 3 + i Error: object 'i' not found • logické hodnoty - hodnoty TRUE, T a FALŠE, F (Pozor! Jazyk R je citlivý na velká a malá písmena, proto logické hodnoty nelze psát jinak než uvedeným způsobem.) Logické hodnoty se používají pro některé argumenty funkcí, jsou výsledkem testování výrazů, např. > 2.3 > 3 [1] FALŠE • řetézec - používá se pro textové hodnoty, pro popisky os, název grafu, .... Řetězec musí být zadán do jednoduchých apostrofů (') nebo dvojitých uvozovek ("): > r <- "řetězec" [1] "řetězec" > r <- 'řetězec' [1] "řetězec" K dispozici jsou rovněž speciální hodnota NA ("Not Available"), která reprezentuje chybějící nebo neznámou hodnotu, a další speciální konstanty: NULL, odpovídající prázdnému objektu, Inf, odpovídající nekonečnu (např. 1/0) aNaN ("Not-a-Number"), která 9 KAPITOLA 1. PRVNÍ SETKÁNÍ S JAZYKEM R je výsledkem numerických výpočtů, jež nejsou definovány (např. 0/0 nebo Inf - Inf). 1.5 Datové struktury Vedle datových typů objektů, jazyk R poskytuje i množství datových struktur, které umožňují vícero hodnot specifikovat jako samostatný objekt. Mezi základní datové struktury patří vektor, faktor, matice, pole, tabulka dat a seznam. V následujících kapitolách se dozvíme, jak jednotlivé datové objekty definujeme, jak s nimi pracujeme. Protože každý objekt má svá specifika, následující tabulka souhrnně uvádí základní datové struktury a odpovídající datové typy, kterými mohou být tvořeny. datová struktura datový typ možnost více typů dat současně vektor numerický, komplexní, logický, řetězec ne faktor numerický, řetězec ne matice numerický, komplexní, logický, řetězec ne pole numerický, komplexní, logický, řetězec ne tabulka dat numerický, komplexní, logický, řetězec ano seznam numerický, komplexní, logický, řetězec, funkce, výraz, ... ano Tab. 1.1. Přehled datových typů objektů Příklady k procvičení 1. Několika způsoby zobrazte nápovědu funkce mean a stručně ji popište. 2. Vyhledejte příklad použití funkce dim. 3. Spusťte ukázku použití funkce image. 4. Vypište cestu k adresáři, ve kterém se nacházíte. 5. Definujte následující proměnné: • proměnnou a s textovou hodnotou "pokus" • proměnnou al s hodnotou 1-i 10 KAPITOLA 1. PRVNÍ SETKÁNÍ S JAZYKEM R • proměnnou b s hodnotou TRUE • proměnnou c s hodnotou -1.333 • proměnnou d s hodnotou oo a) Vypište seznam všech definovaných proměnných. b) Vypište seznam všech proměnných začínajících na "a". c) Smažte proměnnou c a vypište nový seznam definovaných proměnných. 6. Jakou datovou strukturu byste volili pro zobrazení: a) údajů o nadmořské výšce dané obdélníkové oblasti, b) informace o provedeném experimentu obsahující jeho stručný popis v textové podobě, vstupní data a porovnání výsledků pro různé metody, c) pohlaví respondentů, d) údajů pro 100 respondentů, u nichž známe jméno, příjmení, věk, výšku a váhu. Řešení. 1. help(mean), ?mean nebo v menu Help —> Search help .. ., mean - funkce pro výpočet aritmetického průměru 2. example(dim) 3. demo(image) 4. getwdO 5. a <- "pokus" nebo a <- 'pokus', al <- 1-li, b <- TRUE nebo b <- T, c <- -1.333, d <- Inf a) ls() nebo objectsO b) ls(pattern="a") c) rm(c), ls() 6. a) matice, b) seznam, c) vektor, faktor, d) datová tabulka. 11 KAPITOLA 2. VEKTORY 12 Kapitola 2 Vektory Základní informace V této kapitole uvedeme nejjednodušší datovou strukturu - vektor. Vektory jsou posloupnosti hodnot s jistou informační hodnotou - mohou udávat hmotnosti kaprů v kádi, koncentrace mikroorganismů v ovzduší během určitého časového období či počty krtinců na několika sousedních zahradách. Seznámíme se s několika možnostmi, jak definovat vektory různých datových typů a pracovat s nimi, a s některými speciálními příklady vektorů poměrně často využívanými v praxi - s posloupnostmi a vektory náhodných čísel. Závěr kapitoly je věnován dalšímu speciálnímu příkladu vektorů - faktoru. Tyto struktury umožňují jednoduše a přehledně definovat a efektivně pracovat s vektory nominálních nebo ordinálních znaků. Předpokládá se znalost práce s počítačem a základy lineární algebry. Výstupy z výuky Studenti • ovládají základní příkazy pro tvorbu vektorů, • umí vytvářet posloupnosti a generovat vektory náhodných čísel, • dokáží pracovat se subvektory, • umí definovat, vytvářet a používat faktory. KAPITOLA 2. VEKTORY 2.1 Základní příkazy, tvorba vektorů Jazyk R pracuje nad datovými strukturami. Nejjednodušší takovou strukturou je vektor. Např. jednoduchá hodnota (logická hodnota TRUE, numerická hodnota 2, ...) je vektor délky 1. Vektory jsou 1-dimenzionální struktury, skládající se z posloupnosti prvků. Všechny prvky vektoru musí být stejného datového typu (modu) - numerický, komplexní, logický nebo typu řetězec. Některé prvky vektoru ovšem nemusí být známy - v těchto případech je na místo příslušného prvku vektoru umístěna speciální hodnota NA („Not Available"). Všechny operace nad NA vrací hodnotu NA. Funkce is .na(x) vrací hodnoty TRUE na těch pozicích vektoru x, na kterých mají prvky hodnotu NA, na ostatních pozicích vrací hodnotu FALŠE. Rovněž některé prováděné operace nemusí dávat smysl (např. 0/0, Inf - Inf), v těchto případech vrací příkaz hodnotu NaN („Not a Number"). Pro vytvoření numerického vektoru x o hodnotách -1.2, 31.8., 10.7, 5.6, 9.22 použijeme příkaz x <- c(-1.2, 31.8, 10.7, 5.6, 9.22). Analogicky můžeme použít příkazu as sign ("název", c ()), v našem případě tedy as sign ("x", c(-1.2, 31.8, 10.7, 5.6, 9.22)). Přiřazení může být rovněž provedeno v opačném směru: c (-1.2, 31.8, 10.7, 5.6, 9.22) -> x. Naprosto analogickým způsobem můžeme zadávat komplexní vektory, např. y <-c(l+2i, 3, 5i), vektory logických hodnot, např. z <- (x<12 & x>-l), nebo vektory textových hodnot, např. ovoce <- c("banan", "broskev", "jablko", "pomeranč") > c (2, 4, "v", F) jedna z hodnot je znak, vektor tedy bude textový [1] "2" "4" "v" "FALŠE" Příkaz vector(mode, length) vytvoří vektor daného typu mode a dané délky length s nulovými hodnotami. > vector(mode="logical", length=3) [1] FALŠE FALŠE FALŠE > vector(m="character", length=5) ti ti ti ti ti ti ti ti ti ti Nejjednodušším způsobem ke generování posloupností čísel je použít operátoru :. Příkaz a:b vygeneruje aritmetickou posloupnost prvků od a do b s krokem 1, resp. — 1. Funkce sequence(n) slouží ke generování posloupnosti hodnot od čísla 1 do čísla (vektoru hodnot) uvedeného v argumentu funkce. > 4:10 [1] 4 5 6 7 8 9 10 > 2.4:7 [1] 2.4 3.4 4.4 5.4 6.4 13 KAPITOLA 2. VEKTORY > sequence(6) [1] 1 2 3 4 5 6 > sequence(c(3,5)) [1] 12312345 Ke generování posloupností s daným krokem MATLAB používá funkci a:krok:b. R tuto syntaxi nezná, je proto třeba použít jiných funkcí. Pro generování složitějších posloupností se používá funkce seq, která má 5 argumentů, ale pouze některé z nich mohou být specifikovány současně při jednom volání. • První 2 argumenty specifikují počáteční a koncový bod posloupnosti, příkaz seq(2,10) je ekvivalentní příkazu 2:10. Argumenty mohou být rovněž volány pomocí from=a, to=b. Příkazy seq(l,30), seq(from=l, to=30) a seq(to=30, from=l) vrací stejný výsledek. • Argument velikosti kroku: by=krok. • Argument délky posloupnosti: length=delka. • V případě, že je použit argument along.with, musí být jediným argumentem funkce. Argument along.with=v generuje posloupnost o délce shodné s délkou vektoru v. Příkaz seq() vytváří prázdnou posloupnost. > seq() [1] 1 > seq(from=2, to=10) [1] 2 3 4 5 6 7 8 9 10 > seq(from=2, to=15, by=3) [1] 2 5 8 11 14 > seq(length=6) [1] 1 2 3 4 5 6 > seq(from=3, length=6) [1] 3 4 5 6 7 8 > (k <- seq(to=13, length=6)) [1] 8 9 10 11 12 13 > 7 + seq(along.with=k) [1] 8 9 10 11 12 13 14 KAPITOLA 2. VEKTORY Pro vytvoření vektoru, v němž se opakuje určitý objekt (hodnota nebo vektor), se používá funkce rep(x). Jejími argumenty jsou: times=pocet udává počet, kolikrát má být objekt za sebe poskládán each=pocet udává počet opakování každé složky objektu length.out udává délku výsledného vektoru > x <- 2:5 > rep(x, times=3) stejný výsledek dává i rep(x, 3) [1] 234523452345 > rep(x, each=3) [1] 222333444555 > rep(x, length.out=10) [1] 2345234523 > rep(rep(x, each=2), times=2) [1] 2233445522334455 Náhodná čísla generovaná v R (a obecně ve všech softwarech) nejsou ve skutečnosti zcela náhodná, ale jsou generována na základě specifických algoritmů tak, aby se náhodným číslům podobala (tzv. pseudonáhodná čísla). Podle pravděpodobnosti výskytu jednotlivých hodnot můžeme generovat čísla z různých typů rozdělení: runif(n, min=a, max=b) Náhodně vygeneruje n náhodných čísel z intervalu (a, b), každé číslo má stejnou pravděpodobnost výskytu. rpois(n, lambda) Náhodně vygeneruje n celých čísel z Poissonova rozdělení s parametrem lambda. rnorm(n, mean=mi, sd=sigma) Náhodně vygeneruje n reálných čísel z normálního rozdělení se střední hodnotou mi a směrodatnou odchylkou sigma. > runif(10, min=2, max=8) [1] 3.468575 2.006183 [7] 6.186421 6.470627 > rpoisQO, 5) [1] 7 11 14 3 > rnorm(10, mean=5, sd=2) [1] 3.880884 5.902384 [7] 1.782563 6.003977 5.151939 7.230629 9.645860 7.512364 4.864977 7.726394 5.117221 5.981666 3.955287 4.685642 3.923085 3.763641 Dalším užitečným příkazem ke generování vektorů je funkce sample(). Funkce sample(x, size, replace=FALSE, prob=NULL) vytvoří náhodnou permutaci prvků objektu x. Objekt x může být vektor (číselný, komplexní, logický nebo vektor znaků) nebo přirozené číslo. Argument size je přirozené číslo udávající délku výsledného vektoru. Argument replace=TRUE umožňuje opakování vybraných prvků, zatímco impli- 15 KAPITOLA 2. VEKTORY citní nastavení replace=FALSE opakování nepovoluje. Argument prob umožňuje nastavení pravděpodobnostních vah výběru jednotlivých prvků. > x <- c(l, 3, 5, 7, 2, 6) > sample(x, 3) [1] 6 7 2 > sample(x, 3, replace=TRUE) [1] 3 3 2 > x <- letters [1:15] vektor prvních 15 písmen abecedy (a-o) > sample(x, 4, prob=c(l, rep(0.1, 13), D) [1] "a" "o" "d" "1" > sample(x, 8, prob=c(l, rep(0.1, 13), 1), replace=TRUE) [1] "g" "b" "o" "o" "n" "a" "a" "c" 2.2 Subvektory K výpisu určité podmnožiny prvků vektoru můžeme použít hranatých závorek, [ ]. Obecně má pro vektor x tento příkaz tvar x [index], kde index je vektor jednoho z následujících tvarů: 1. Vektor přirozených čísel. Jedná se o vektor indexů, který nabývá hodnot z množiny {1,2,..., length(x)}. > x <- 2:16 > x [7] vypíše 7. složku vektoru x [1] 8 > x[4:12] vypíše 4.-12. složku vektoru x [1] 5 6 7 8 9 10 11 12 13 Hodnota NA je vrácena v případě, že vektor index obsahuje přirozené číslo větší než je délka vektoru. Podobně R vrací prázdný vektor numeric(O) v případě, že vektor index obsahuje nulu: > x[13:18] vypíše 13.-18. složku vektoru x [1] 14 15 16 NA NA NA > x[c(7, 0, 5, 12)] index 0 se ignoruje [1] 8 6 13 > x[0] [1] integer(O) Vektor index můžeme definovat rovněž použitím funkcí ke konstrukci numerických vektorů, např. c () , :, rep() , sampleO, seq() > x[c(3, 8, 10, 4, 7)] [1] 4 9 11 5 8 16 KAPITOLA 2. VEKTORY > x[c(rep(4, 2), rep(7, 3))] [1] 5 5 8 8 8 > x[sample(x, 5, replace=TRUE)] [1] 6 10 11 4 6 > x[seq(from=4, to=20, by=3)] [1] 5 8 11 14 NA NA Můžeme rovněž použít funkcí head() a tail(), které vrací prvních/posledních n prvků vektoru (implicitní nastavení n=6): > head(x) [1] 2 3 4 5 6 7 > tail(x, n=3) [1] 14 15 16 2. Vektor záporných celých čísel. Vektorem záporných celých čísel index vymezujeme ty indexy vektoru x, jejichž odpovídající hodnoty nemají být vytištěny. Všechny prvky vektoru x, kromě těch specifikovaných vektorem index, jsou do výsledné podoby vypsány v jejich původním pořadí. Délka výsledného vektoru je length(x) - length(index). > x[-c(l:10)] vynechá prvních deset prvků vektoru [1] 12 13 14 15 16 > x[-tail(x, 10)] [1] 2 3 4 5 6 7 3. Logický vektor. Prvky odpovídající hodnotám TRUE vektoru index jsou vypisovány, zatímco prvky odpovídající hodnotám FALŠE jsou vynechány. Výsledný vektor je stejné délky jako počet hodnot TRUE vektoru index. > x[c(TRUE, FALŠE, TRUE, TRUE, FALŠE, rep(c(TRUE, FALŠE), 5))] vektor index může být zadán vektorem hodnot TRUE a FALŠE [1] 2 4 5 7 9 11 13 15 > x [x>7 & x<=12] vektor index může být dán omezujícími podmínkami - použitím porovnávacích a logických operátorů (porovnávací a logické operátory viz odstavec 5.2) [1] 8 9 10 11 12 V případě, že vektor x obsahuje hodnoty NA, potřebujeme pomocí funkce is .na() zajistit, aby byly správně vynechány: > (y <- c(7, 3, NA, 5, NA, NA, 9)) [1] 7 3 NA 5 NA NA 9 17 KAPITOLA 2. VEKTORY > y[y<6] [1] 3 NA 5 NA NA > y[y<6 & !is.na(y)] vypíše ty hodnoty vektoru y, které jsou menší než 6 a jsou různé od hodnoty NA [1] 3 5 Alternativou v této situaci může být funkce subset(). Jejím prvním argumentem je vektor, ze kterého chceme získat jeho podmnožinu, druhým argumentem je vektor omezujících podmínek. Výhodou této funkce je, že hodnoty NA jsou automaticky považovány za FALŠE, takže nemusí být odstraňovány pomocí funkce is.na(). > subset(y, y<6) [1] 3 5 4. Vektor znakových řetězců. Tento způsob může být použit pouze v případě, kdy prvky vektoru mají názvy. V tom případě může být vektor index použit stejným způsobem jako v případě přirozených čísel v odrážce 1, řetězce ve vektoru index odpovídají názvům prvků vektoru x. > (ovoce <- c(banan=3, broskev=8, jablko=7, pomeranc=5)) přiřazení názvu jednotlivým prvkům vektoru banán broskev jablko pomeranč 3 8 7 5 > names(ovoce) každý prvek vektoru má opravdu svůj název [1] "banán" "broskev" "jablko" "pomeranč" Jiný způsob definice přiřazení názvu jednotlivým prvkům vektoru: > ovoce <- c(3, 8, 7, 5) > names(ovoce) <- c("banan", "broskev", "jablko", "pomeranč") > ovoce[c("broskev", "jablko")] broskev jablko 8 7 MATLAB používá pro výpis subvektorů kulatých závorek, pro nekladné argumenty vrací chybové hlášení. 2.3 Délka a změna délky vektoru Každý vektor má svou délku, což je počet jeho prvků. Ke zjištění délky definovaného vektoru slouží funkce lengthQ. 18 KAPITOLA 2. VEKTORY Každý prázdný objekt je nějakého datového typu. Např. příkazem > numericO [1] numeric(O) vytvoříme prázdný numerický vektor, analogicky příkazem characterO vytvoříme prázdný textový vektor, atd. K již existujícímu objektu libovolné délky můžeme přidávat nové složky, a to jednoduše umístěním indexu hodnoty do hranaté závorky. Tak příkazem u [2] <- 5 vytvoříme nový vektor u délky 2 (1. složka není známa, má tedy hodnotu NA, 2. složka má hodnotu 5). Tento příkaz můžeme použít pro jakoukoliv strukturu za předpokladu, že datový typ přidávaných prvků je shodný s datovým typem objektu. Naopak, ke zkrácení délky objektu je třeba jen operátor přiřazení <-, kde za název proměnné umístíme do hranatých závorek ty indexy prvků, které nás zajímají. Symbol záporného znaménka před vektorem indexů v hranatých závorkách určuje ty hodnoty, které nemají být vypsány na výstupu. > u <- 5:12 [1] 5 6 7 8 9 10 11 12 > length(u) [1] 8 > u[c(l, 3, 5)] vypíše 1., 3. a 5. prvek vektoru u. [1] 5 7 9 > u[-c(l, 3, 5)] vynechá 1., 3. a 5. prvek vektoru u. [1] 6 8 10 11 12 V případě, že chceme získat prvních n složek vektoru, použijeme příkaz length(v) <- n. Stejným způsobem můžeme i prodlužovat vektory, přidané pozice budou mít hodnotu NA. > length(u) <- 3 > u přesvědčíme se, že vektor u opravdu obsahuje jen původní 3 složky [1] 5 6 7 Pracujme opět s vektorem u <- 5:12. Analogickými příkazy k výše uvedenému může být u[c(l,2,3)], u[l:3], head(u,3). > (w <- head(u,3)) [1] 5 6 7 > length(w) <- 5 > w [1] 5 6 7 NA NA 19 KAPITOLA 2. VEKTORY 2.4 Faktory Faktory jsou speciálním případem vektorů s nominálními nebo ordinálními daty. Jedná se o datovou strukturu, která umožňuje přiřadit smysluplné názvy jednotlivým kategoriím. Na první pohled vypadají faktory podobně jako numerické a textové vektory, ale není tomu tak. Faktory v sobě navíc obsahují informaci Levels - jedná se o konečnou množinu hodnot, kterých kategorická proměnná může nabývat. Jednotlivé prvky Levels jsou uspořádány podle jejich typu (numericky nebo abecedně), hodnoty NA zde ovšem nejsou zahrnuty. > factor(c("kocka", "kun", NA, "pes", "kocka", "pes", "pes")) [1] kocka kun pes kocka pes pes Levels: kocka kun pes Poznámka. Je důležité si uvědomit, že prvky numerického faktoru nejsou interpretovány jako numerické hodnoty: > mean(f actor(l: 5)) funkce mean slouží k výpočtu průměru [1] NA Warning message: In mean.default(factor(l:5)) : argument is not numeric or logical: returning NA Funkce factorO má několik volitelných argumentů. Argument levels může být použit k definování úrovní (Levels) faktoru. Např. můžeme vytvořit faktor i s úrovní, která se mezi daty nevyskytuje: > factor(c(2, 3, 1, NA, 3, 2), levels=l:4) hodnoty NA nejsou do Levels vypisovány [1] 2 3 1 3 2 Levels: 12 3 4 Argument levels rovněž může sloužit ke změně pořadí prvků úrovní: > factor(c(2, 3, 1, NA, 3, 2), levels=c(l, 3, 2, 4)) [1] 2 3 1 NA 3 2 Levels: 13 2 4 Argument labels se používá k definici popisků: > factor(c(0, 1, 1, 0, 1), labels=c("nepřítomen", "přítomen")) [1] nepřítomen přítomen přítomen nepřítomen přítomen Levels: nepřítomen přítomen Argument exclude ignoruje vybrané prvky, tyto prvky jsou nahrazeny hodnotami NA > factor(c(2, 3, 1, NA, 3, 2), exclude=3) [1] 2 1 2 20 KAPITOLA 2. VEKTORY Levels: 1 2 > factor(c(2, 3, 1, NA, 3, 2), exclude=NULL) argument exclude=NULL slouží pro zobrazení hodnoty NA v Levels [1] 2 3 1 3 2 Levels: 12 3 Argument ordered=TRUE slouží k seřazení úrovní faktoru. Jediným rozdílem na výstupu je zobrazení porovnávacího operátoru < mezi jednotlivými úrovněmi faktoru. Tuto vlastnost můžeme použít např. při porovnávání jednotlivých prvků. > (velikost <- factor(c(3, 1, 5, 4, 3, 2, 4), labels=c("mravenec", + "hlemyzd", "koza", "slon", "žirafa"))) [1] koza mravenec žirafa slon koza hlemyzd slon Levels: mravenec hlemyzd koza slon žirafa > (velikost <- factor(c(3, 1, 5, 4, 3, 2, 4), labels=c("mravenec", + "hlemyzd", "koza", "slon", "žirafa"), ordered=TRUE)) [1] koza mravenec žirafa slon koza hlemyzd slon Levels: mravenec < hlemyzd < koza < slon < žirafa > velikost >= "koza" vrací vektor logických hodnot, na pozicích splňujících podmínku jsou hodnoty TRUE, na ostatních pozicích FALŠE [1] TRUE FALŠE TRUE TRUE TRUE FALŠE TRUE Příklady k procvičení 1. V cementárně byla měřena hmotnost pytlů cementu, k dispozici jsou naměřené hodnoty: 50.3, 50.7, 49.2, 50.1, 49.9, 51.1, 49.8, 48.9 a 50.3. Poskládejte tyto hodnoty do vektoru cement a vyřešte následující úkoly: a) Pomocí vhodné funkce zjistěte délku vektoru cement. b) Vytvořte vektor cement 1, který bude obsahovat hodnoty na sudých pozicích vektoru cement a dále pak jeho poslední tři hodnoty. c) Vytvořte vektor cement2, který bude náhodnou kombinací pěti hodnot vektoru cement s pravděpodobností 0.4 pro první čtyři hodnoty vektoru cement a s pravděpodobností 0.2 pro ostatní hodnoty, hodnoty se mohou opakovat. d) Vypište ty složky vektoru cement, které jsou větší než 50. 2. Náhodně vygenerujte vektor v délky 15 s hodnotami 0 a 1. Dále z něj vytvořte faktor pohlavi, ve kterém se hodnota 0 bude vypisovat jako "muž" a hodnota 1 jako "žena". 3. Změňte minulé zadání tak, aby se hodnota 0 vypisovala jako "žena" a hodnota 1 21 KAPITOLA 2. VEKTORY jako "muž". 4. Vytvořte vektor hodnot vl od -10 do 0 s krokem 0.5. 5. Vytvořte vektor hodnot v2 obsahující sudé hodnoty posloupnosti -12, -11,..., 11, 12. a) Hodnoty vektoru v2 zdvojte tak, aby nové vzniklý vektor obsahoval hodnoty -12,..., 12,-12,..., 12. b) Hodnoty vektoru v2 zdvojte tak, aby nové vzniklý vektor obsahoval hodnoty -12,-12, ...,12, 12. 6. Proveďte losování tahu sportky, tzn. vyberte 7 čísel od 1 do 49 tak, aby se neopakovala. 7. Náhodně vygenerujte 10 hodnot z normálního rozložení se střední hodnotou 5 a rozptylem 2. Řešení. 1. cement <- c(50.3, 50.7, 49.2, 50.1, 49.9, 51.1, 49.8, 48.9, 50.3) a) length(cement) b) cement1 <- c(cement[seq(from=2, to=length(cement), by=2)], tail(cement, 3)) c) cement2 <- sample(cement, size=5, prob=c(rep(0.4, times=4), rep(0.2, times=length(cement)-4)), replace=TRUE) d) cement[cement > 50] 2. v <- sample(c(0, 1), size=15, replace=TRUE) nebo v <- round(runif(min=0, max=l, n=15)) pohlaví <- factor(v, levels=c(0, 1), labels=c("muz", "zena")) 3. pohlaví <- factor(v, levels=c(l, 0), labels=c("muz", "zena")) 4. vl <- seq(from=-10, to=0, by=0.5) 5. v2 <- seq(from=-12, to=12, by=2) a) rep(v2, times=2) b) rep(v2, each=2) 6. sample(1:49, size=7) 7. rnorm(n=10, mean=5, sd=sqrt(2)) 22 KAPITOLA 3. MATICE A POLE 23 Kapitola 3 Matice a pole Základní informace Matice mají širokou škálu využití nejen v matematice, ale i v technických, ekonomických vědách a statistice. Jejich uplatnění můžeme hledat např. v řešení systémů lineárních rovnic či v aplikaci maticových operací. Tato kapitola proto seznamuje s možnostmi, jak definovat matice či pole, uvádí množství postupů a funkcí, jak s nimi jednoduše pracovat, v neposlední řadě uvádí příkazy pro řešení systémů lineárních rovnic. Výstupy z výuky Studenti • ovládají příkazy pro vytváření matic a polí, • umí pracovat se submaticemi, • dokáží použít funkce pro manipulaci s maticemi, • rozlišují maticové násobení a násobení po složkách, umí řešit systémy lineárních rovnic. 3.1 Základní příkazy, tvorba matic a polí Matice je 2-dimenzionální datová struktura, která se skládá z řádků a sloupců. Stejně jako vektory, všechny prvky matice musí být stejného datového typu (numerický, komplexní, logický nebo textový), mohou rovněž obsahovat prvky s hodnotami NA, NaN, NULL nebo Inf. Pole je A;-dimenzionální struktura, matice je jejím speciálním typem KAPITOLA 3. MATICE A POLE pro k = 2. Základním způsobem k vytvoření matice nebo pole je použít příkazy matrix(), popř. array(): > matrix(u, 4, 5) vytvoří matici o 4 řádcích a 5 sloupcích, prvky jsou skládány po sloupcích [,2] [,3] [,4] [,5] [1,] 1 5 9 13 17 [2,] 2 6 10 14 18 [3,] 3 7 11 15 19 [4,] 4 8 12 16 20 > matrix(u, 4, 5, byrow=TRUE) vytvoří matici 4 x 5, argument byrow=TRUE sta- novuje, že prvky jsou skládány po řádcích [,2] [,3] [,4] [,5] [1,] 1 2 3 4 5 [2,] 6 7 8 9 10 [3,] 11 12 13 14 15 [4,] 16 17 18 19 20 Poznámka. V případě, že je vektor u kratší než je počet prvků matice, při vytváření matice je uplatněno pravidlo recyclíng rule. Pravidlo spočívá v opakování složek vektoru u tak dlouho, dokud jeho délka nedosáhne počtu prvků matice. Pro definování polí slouží příkaz arrayO, s nímž je práce analogická. > (ar <- array(u, c(2, 5, 2))) vytvoří pole o rozměrech 2 x 5 x 2 , , 1 [,1] [,2] [,3] [,4] [,5] [1,] 1 3 5 7 9 [2,] 2 4 6 8 10 , , 2 [,1] [,2] [,3] [,4] [,5] [1,] 11 13 15 17 19 [2,] 12 14 16 18 20 Dalším způsobem, jak vytvořit matice, popř. pole je příkaz dim(), který vektor ve svém argumentu uspořádá po sloupcích do pole požadované dimenze. > u <- 1:20 > dim(u) <- c(4, 5) vektoru u stanoví dimenzi - 4 řádky, 5 sloupců 24 KAPITOLA 3. MATICE A POLE u [,2] [,3] [,4] [,5] [1,] 1 5 9 13 17 [2,] 2 6 10 14 18 [3,] 3 7 11 15 19 [4,] 4 8 12 16 20 Příkazy mat r ix (u, ncol=5), matrix(u, nrow=4), matrix(u, 4) amatrix(u, c (4, 5)) jsou ekvivalentní, všechny seskládají po sloupcích vektor u do pěti sloupců a čtyř řádků. Pro zjištění velikosti matice či pole slouží funkce dim(). Výstupem je vektor, jehož první složka udává počet řádků, druhá udává počet sloupců a v případě polí odkazují další složky na příslušné dimenze. Pro zjištění počtu řádků či sloupců matic i polí slouží rovněž funkce nrowO či ncol(). > dim(u) [1] 4 5 > dim(ar) [1] 2 5 2 > nrow(ar) [1] 2 > ncol(ar) [1] 5 V systému MATLAB lze funkcí sizeO získat rozměry matice, pole i vektoru. Analogickou funkcí pro sizeO je v jazyce R funkce dim(), tu ovšem nemůžeme použít pro zjištění délky vektoru. Funkcím nrow(x) a ncol(x) odpovídají v MATLABu funkce size(x,l) a size(x,2). Názvy řádků a sloupců mohou být specifikovány argumentem dimnames. Jedná se o argument typu seznam (pro více podrobností viz Kapitola 4) o dvou složkách - textových vektorech obsahujících názvy jednotlivých řádků a sloupců. > matrix(u, ncol=5, dimnames=list(c("rl", "r2", "r3", "r4"), c("sll", + "sl2", "sl3", "sl4 tl tl ) sl5"))) sil sl2 sl3 sl4 sl5 rl 1 4 9 13 17 r2 2 5 10 14 18 r3 3 6 11 15 19 r4 4 8 12 16 20 Dalšími příkazy pro tvorbu matic mohou být cbind() nebo rbind(), které své 25 KAPITOLA 3. MATICE A POLE argumenty skládají vertikálně (po sloupcích) nebo horizontálně (po řádcích). Argumenty mohou být vektory libovolných délek a/nebo matice se stejným počtem řádků nebo sloupců. > cbind(l:3, 4:6) [,1] [,2] [1,] 1 4 [2,] 2 5 [3,] 3 6 > cbind(matrix(l:4, c(2, 2)), matrix(c(8, 11), c(2, 1))) [,1] [,2] [,3] [1,] 1 3 8 [2,] 2 4 11 > rbind(l:8, 1:5) v případě, že vektory nejsou stejné délky, složky kratšího vektoru se opakují tak dlouho, dokud nedosáhne rozměru delšího vektoru [,1] [,2] [,3] [,4] [,5] [,6] [,7] [,8] [1,] 12345678 [2,] 1 2 3 4 5 1 2 3 Warning message: In rbind(l:8 1:5) : number of columns of result is not a multiple of vector length (arg 2) Argument nazev.vektoru=vektor slouží k pojmenování jednotlivých řádků (v případě rbind) a sloupců (v případě cbind): > cbind(sll=l:3, sl2=4:6) sil sl2 [1,] 1 4 [2,] 2 5 [3,] 3 6 Na rozdíl od MATLABu nelze v jazyce R matici o jednom sloupci získat trans-pozicí vektoru (funkce t()), je třeba použít jeden z příkazů matrix(), dim() nebo rbind(). 3.2 Submatice K výpisu určité podmnožiny prvků matice či pole můžeme použít hranatých závorek [ ]. Obecně má pro n-rozměrné pole A tento příkaz tvar A [index_l, index_2, . . . , index_n], kde index_l, odkazuje na řádky, index_2 na sloupce a index_3, . . . , 26 KAPITOLA 3. MATICE A POLE index_n na ostatní dimenze. Odkaz na každou dimenzi může být jedním ze čtyř tvarů uvedených v podkapitole 2.2. V případě, že některý z indexů není specifikován, v úvahu je brána celá délka příslušné dimenze. > (A <- matrix(1: 20, 4)) [,1] [,2] [,3] [,4] [,5] EU 1 5 9 13 17 [2,] 2 6 10 14 18 [3,] 3 7 11 15 19 [4,] 4 8 12 16 20 > A[-c(l, 2) , c(3, 4, 5)] [,1] [,2] [,3] [1,] 11 15 19 [2,] 12 16 20 Jazyk R se vždy snaží vracet objekty s nejnižší možnou dimenzí. Např. chceme-li vypsat jediný sloupec matice, R jej zobrazí jako řádkový vektor. To ovšem může být v některých případech nežádoucí - toto chování můžeme vypnout argumentem drop=FALSE: > A[, 2] [1] 5 6 7 8 > A[, 2, drop=FALSE] [,1] [1,] 5 [2,] 6 [3,] 7 [4,] 8 27 KAPITOLA 3. MATICE A POLE 3.3 Funkce pro manipulaci s maticemi nrow() , ncolO dim () t() diag(A) diag(v) diag(k) lower.tri(), upper.tri() det() eigenO qr() svd() norm() sum(diag()) počet řádků a sloupců pole dimenze pole transpozice matice vypíše diagonálu matice A vytvoří diagonální matici se složkami vektoru v na diagonále pro každé přirozené číslo k vygeneruje jednotkovou matici rozměrů k x k výstupem je matice logických hodnot stejných rozměrů jako matice v argumentu. Hodnoty TRUE odpovídají prvkům v dolní/horní trojúhelníkové matici. Implicitní nastavení diag=FALSE nezahrnuje diagonálu, determinant matice výstupem je seznam o dvou položkách - values (vlastní čísla) a vectors (vlastní vektory). V případě, že nás zajímají pouze vlastní čísla, popř. pouze vlastní vektory matice, použijeme operátoru $: eigenO$values, popř. eigen()$vectors. QR rozklad. Jedním z výstupů je i hodnost matice, chceme-li zjistit pouze hodnost matice, můžeme použít příkaz qr()$rank singulární rozklad trojúhelníkové matice norma matice. Je potřeba nainstalovat a načíst podpůrný balíček Matrix pomocí příkazů install .packages("Matrix") a library(Matrix). Volitelnými argumenty můžeme zvolit typ normy: "0", "o" nebo "1" pro maximální součty ve sloupcích, implicitní nastavení, "I" nebo "i" pro maximální součty v řádcích, "F" nebo "f" pro Frobeniovu normu (euklidovská norma vektor, když je na vstupní matici nahlíženo jako na vektor) stopa matice > (A <- matrix(c(3, 2, -1, 0), 2)) [,1] [,2] [1,] 3 -1 [2,] 2 0 > (v <- diag(A)) [1] 3 0 28 KAPITOLA 3. MATICE A POLE > diag(v) [,1] [,2] [1,] 3 0 [2,] 0 0 > diag(2) [,1] [,2] [1,] 1 0 [2,] 0 1 > lower.tri(A) [,1] [,2] [1,] FALŠE FALSE [2,] TRUE FALSE > A[lower.tri(A)] <- 0 horní trojúhelníková matice [,1] [,2] [1,] 3 -1 [2,] 0 0 > eigen(A) $values [1] 2 1 $vectors [,1] [,2] [1,] 0.7071068 0.4472136 [2,] 0.7071068 0.8944272 > eigen(A)$values [1] 2 1 > qr(A)$rank [1] 2 > norm(A, "1"); norm(A, "i"); norm(A, "f") [1] 5 [1] 4 [1] 3.741657 > sum(diag(A)) [1] 3 Násobení matic Pro násobení matic po složkách se používá operátor *, navíc musí mít násobené matice souhlasné rozměry. Pro součin matice a vektoru (v libovolném pořadí) se uplatňuje pravidlo recyclíng rule, tzn. jednotlivé složky matice jsou po sloupcích postupně násobeny složkami vektoru. > u <- c(l, 0, 0) > v <- c(l, 0, 0, 0, 1) 29 KAPITOLA 3. MATICE A POLE > A <- matrix(c(l, 0, 0, 1, 0, 1, 1, 1, 0, 0, 1, 1), ncol=3) > A [,1] [,2] [,3] [1,] 10 0 [2,] 0 10 [3,] 0 1 1 [4,] 111 > u * A použití pravidla recycling rule [,1] [,2] [,3] [1,] 10 0 [2,] 0 0 0 [3,] 0 10 [4,] 10 0 > v * A použití pravidla recycling rule. Výstup navíc obsahuje varovné hlášení, neboť počet prvků matice A není dělitelný délkou vektoru v [,1] [,2] [,3] [1,] 10 0 [2,] 0 10 [3,] 0 0 1 [4,] 0 0 0 Warning message: In v * A : longer object length is not a multiple of shorter object length Pro maticové násobení se používá operátor °/0*°/0, oba činitelé musí být odpovídajících rozměrů (vnitřní rozměry obou činitelů musí být shodné). Výjimku tvoří násobení sloupcovým vektorem - může být nahrazen vektorem řádkovým. > A °/0*°/o u sloupcový vektor může být nahrazen vektorem řádkovým [,1] [1,] 1 [2,] 0 [3,] 0 [4,] 1 > B <- matrix(c(0, 1, 1, 1, 0, 1, 0, 1), ncol=4) [,1] [,2] [,3] [,4] [1,] 0 10 0 [2,] 1 1 1 1 > A °/0*°/o B nesouhlasné rozměry matic Error in A °/0*°/0 B : non-conformable arguments 30 KAPITOLA 3. MATICE A POLE > B 1*1 A [,1] [,2] [,3] [1,] 0 10 [2,] 2 3 2 Zatímco v systému MATLAB operaci násobení po složkách zajišťuje operátor .*, v jazyce R je to *. Operátor * v systému MATLAB označuje maticové násobení, v jazyce R je to operátor °/0*°/0. Řešení lineárních rovnic a inverze Řešení lineárních rovnic je inverzní operací k maticovému násobení > b <- A 1*1 x A značí čtvercovou matici koeficientů pro lineární systém, b je vektor nebo matice pravé strany. Vektor/matice x je řešením systému lineárních rovnic Ax = b, které získáme příkazem solve(A, b). V lineární algebře řešení formálně dostaneme x = A~ľb, kde A~ľ značí matici inverzní k matici A. Matici inverzní můžeme v R spočítat pomocí solve(A). > (A <- matrix(c(l, 3, 1, -1), 2)) [,1] [,2] [1,] 1 1 [2,] 3 -1 > (b <- matrix(c(3, 1), 2)) [,1] [1,] 3 [2,] 1 > solve(A, b) [1,] 1 [2,] 2 > solve(A) •/.*•/. b [1,] 1 [2,] 2 Příkaz backsolve(A, b, k, upper.tri, transpose) rovněž slouží k řešení lineárních rovnic s horní (upper .tri=TRUE, implicitně) nebo dolní trojúhelníkovou maticí (upper .tri=FALSE). Vektor b je vektor/matice pravých stran, k je počet sloupců matice A, které mají být použity. Pro transpose=TRUE řešíme systém A'x = b, implicitní nastavení je transpose=FALSE. 31 KAPITOLA 3. MATICE A POLE > backsolve(A, b, upper .tri=TRUE) řeší systém lineárních rovnic EU [2,] 4 -1 Poznámka. Stejně jako u maticového násobení, ani u funkcí solve a backsolve není nezbytně nutné zadávat vektory pravé strany jako sloupcové vektory. Pro vstupní řádkový vektor bude výstupem řádkový vektor. Příklady k procvičení 1. Vytvořte matici Al s rozměry 3x5, jejíž první řádek bude tvořen posloupností -1, 1, 3,..., druhý řádek budou tvořit hodnoty 3 a poslední řádek ekvidistantní posloupnost s minimální hodnotou -2 a maximální hodnotou 2. 2. Vytvořte matici A2 s rozměry 3x5, jejíž první sloupec bude tvořen náhodnými čísly z rovnoměrného rozložení na intervalu [0,5], druhý a třetí sloupec bude tvořit posloupnost s maximální hodnotou 3.5 a krokem 0.2 a poslední dva sloupce budou obsahovat hodnotu NA. 3. Vypište čtvrtý sloupec matice Al jako řádkový i sloupcový vektor. 4. Vypište prvky prvního a druhého řádku a všech lichých sloupců matice Al. Uložte je do matice A3 a vhodným příkazem zjistěte její rozměry, použijte i funkci pro zjištění počtu řádků a sloupců zvlášť. 5. Pomocí funkcí rbind nebo cbind vhodně doplňte hodnotami 1 matici A3 na čtvercovou matici a spočítejte její determinant, stopu a hodnost. 6. Byla pozorována kvalita říční vody. Z údajů v následující tabulce tvrdost vodivost koncentrace draslíku lokalita 1 měření 1 měření 2 19.4 0.832 1.9 18.9 0.84 2.4 lokalita 2 měření 1 měření 2 21.2 0.826 2.1 17 0.479 1.6 vytvořte pole kvalita s rozměry 2x3x2, dimenze, řádky i sloupce pojmenujte. 7. Vytvořte matici A, vektory c a d: A 1 0 1 ^ í1 \ 1 1 l,c=. 2 0 -1 \) 3 / d 32 KAPITOLA 3. MATICE A POLE a matici B o rozměrech 3 x 6 s hodnotami rovnými 1. a) Řešte systém lineárních rovnic Ax = c. b) Vysvětlete výstupy příkazů A * B, A '/„*'/„ B, A * c, A * d, c * A, d * A A 1*1 c and A •/.*•/. d c) Vhodnými příkazy vytvořte k matici A dolní trojúhelníkovou matici C a pro vektor pravé strany e = 0 řešte soustavu lineárních rovnic Cx = e s dolní 1. AI <- matrix(c(seq(from=-l, by=2, length=5), rep(3, 5), seq(from= -2, to=2, length=5)), nrow=3, byrow=T) 2. A2 <- matrix(c(runif(n=3, min=0, max=5), seq(to=3.5, by=0.2, length=6), rep(NA, 6)), nrow=3) 3. Al[,4], klí,A, drop=FALSE] 4. A3 <- Al[c(l,2), seq(from=l, by=2, to=ncol(Al))] dim(A3), nrow(A3), ncol(A3) 5. A3 <- rbind(A3, rep(l, ncol(A3))) det(A3), sum(diag(A3)), qr(A3)$rank 6. kvalita <- array(c(19.4, 18.9, 0.832, 0.84, 1.9, 2.4, 21.2, 17, 0.826, 0.479, 2.1, 1.6), dim=c(2, 3, 2), dimnames=list(c("merenil", "mereni2"), c("tvrdost", "vodivost", "koncentraceK"), c("lokalital", "lokalita2"))) 7. A <- matrix(c(l, -1, 0, 0, 1, -1, 1, 1, 1), 3), B <- matrix(l, nrow=3, ncol=6),c <- matrix(l:3, ncol=l),d <- matrix(l:2, ncol=l) a) x <- solve(A, c) b) A * B, A * c, A * d.. .násobení po složkách (neodpovídající rozměry), c * A, d * A... násobení po složkách, uplatněno pravidlo recyclíng rule A °/0*°/o B, A °/0*°/o c, A °/0*°/o d... maticové násobení, c) e <- matrix(c(3, 0, 1), nrow=3), backsolve(A, e, upper.tri=FALSE) nebo pomocí konstrukce dolní trojúhelníkové matice C: C <- A, C[!lower.tri(A,1)] <- 0, solve(C, e) trojúhelníkovou maticí C. Řešení. 33 KAPITOLA 4. DATOVÉ TABULKY A SEZNAMY 34 Kapitola 4 Datové tabulky a seznamy Základní informace Datové tabulky jsou datové struktury sloužící k uchování souboru dat, které nachází své uplatnění především při statistickém zpracování dat. Jedná se tabulku dat, jejíž sloupce představují proměnné (pozorované znaky) často různých datových typů a řádky představují jednotlivá pozorování. Dalšími využívanými datovými strukturami jsou seznamy. Jedná se o objekty, které dokáží uchovávat množství informací různých datových struktur. Jejich využití spočívá ve smysluplném uspořádání např. vstupních a výstupních informací provedené statistické analýzy do jediného objektu. V této kapitole se naučíme vytvářet datové tabulky a seznamy a pracovat s nimi. Výstupy z výuky Studenti • se seznámí s datovými tabulkami a seznamy, znají rozdíly mezi nimi a umí je vytvářet, • umí několika způsoby vytvářet podmnožiny datových tabulek a seznamů, • dokáží používat funkce pro manipulaci s datovými tabulkami a seznamy. 4.1 Základní příkazy, tvorba datových tabulek a seznamů Datová tabulka je 2-dimenzionální struktura, která slouží k uchování souboru dat. Soubor dat se skládá z množiny proměnných (sloupce), které jsou pozorovány na množství KAPITOLA 4. DATOVÉ TABULKY A SEZNAMY případů (řádky). Jednotlivé sloupce mohou být různých datových typů, ale prvky každého sloupce musí být stejného datového typu. Počet případů musí být pro každou proměnnou stejný. Seznam je nejobecnější datová struktura v R, která seskupuje několik (různých) objektů do objektu většího rozsahu. Jedná se o datovou strukturu skládající se z posloupnosti objektů, kterým se říká složky. Každá složka může obsahovat objekt jakéhokoliv datového typu. Seznam tedy může obsahovat vektory různých datových typů a délek, matice, pole, datové tabulky, funkce a/nebo jiné seznamy. Proto jsou seznamy vhodnými výstupy nejrůznějších výpočtů. Rovněž je důležité si uvědomit, že datová tabulka je speciálním případem seznamu. Nejedná se o nic jiného, než seznam, jehož složky jsou vektory stejné délky a odpovídající pozice vyjadřují stejné případy (např. výskyt aut červené a modré barvy během středy). Pro vytvoření datové tabulky slouží příkaz data.frame(). Názvy sloupců (proměnných) a jejich hodnoty mohou být specifikovány argumenty nazev_l=vektor_l, nazev_2=vektor_2, . . ., názvy sloupců jsou nepovinné, stačí zadat pouze hodnoty. Argument row.names (implicitní nastavení NULL případy čísluje) specifikuje názvy případů. Argument check.names s implicitním nastavením TRUE kontroluje, zda jsou názvy proměnných syntakticky správné a zda se neopakují, v případě duplikací se stará o jejich přejmenování. > data.frame(obor=factor(c(l, 0, 0, 1, 1), labels=c("0M", "MAEK")), + body=c(18, 13, 15, 20, 15)) obor body 1 MAEK 18 2 0M 13 3 0M 15 4 MAEK 20 5 MAEK 15 > data.frame(obor=factor(c(l, 0, 0, 1, 1), labels=c("0M", "MAEK")), + body=c(18, 13, 15, 20, 15), row.names=c("Petr", "Pavel", "Jiřina", + "Adéla", "Matej")) obor body Petr MAEK 18 Pavel 0M 13 Jiřina 0M 15 Adéla MAEK 20 Matej MAEK 15 35 KAPITOLA 4. DATOVÉ TABULKY A SEZNAMY > data.frame(a=c(1,2), a=c(T,F), check.names=T) a a. 1 1 1 TRUE 2 2 FALŠE > data.frame(a=c(1,2), a=c(T,F), check.names=F) a a 1 1 TRUE 2 2 FALŠE Funkce list() slouží k vytvoření seznamu. Stejně jako u funkce data.frame() mohou být i složky seznamu pojmenovány pomocí argumentů nazev_l=slozka_l, nazev_2=slozka_2, .... > (1 <- list(barva=c("červena", "modra", "bila"), data.frame(Petr= + sample(5, replace=T), Pavel=l:5, row.names=c("po","ut", "st", "ct", + "pa")))) $barva [1] "červena" "modra" "bila" [[3]] Petr Pavel po 1 1 ut 3 2 st 3 3 ct 5 4 pa 3 5 Funkce dim() , namesO a contentsO slouží k výpisu vlastností datové tabulky. Funkce dim() vypisuje dimenze tabulky dat, funkce namesO zobrazuje názvy proměnných. Funkce contentsO vrací vnitřní strukturu datové tabulky. Funkce je obsažena v balíčku Hmisc, který není ve standardní distribuci, je třeba jej proto doinstalovat příkazem install.packages("Hmisc") a načíst příkazem library(Hmisc). K výpisu vlastností seznamu můžeme použít funkci namesO, která vrací názvy složek seznamu. Funkce dim() a contentsO u seznamu použít nemůžeme, můžeme je ovšem nahradit funkcemi lengthO, která vrací počet složek seznamu, a str(), která vypisuje vnitřní strukturu seznamu. 4.2 Podmnožiny seznamů K vypsání podmnožiny seznamu můžeme použít jednoduchých [] nebo dvojitých [[]] hranatých závorek. Jednoduchými závorkami uvádíme, které složky seznamu chceme získat. Jestliže jednotlivé složky seznamu nejsou pojmenovány, požadovanou složku spe- 36 KAPITOLA 4. DATOVÉ TABULKY A SEZNAMY cifikujeme jejím číslem. K výpisu více složek můžeme použít operátoru : nebo funkce c (). Jestliže jsou složky seznamu pojmenovány, požadované prvky specifikujeme jejich názvy v uvozovkách. Podmnožina seznamu vytvořená pomocí jednoduchých hranatých závorek je opět typu seznam. Naopak, příkaz pro vytváření podmnožiny pomocí dvojitých hranatých závorek vrací objekt takového typu, jakým byl při definování seznamu. V tomto případě je na každou složku odkazováno jednotlivě, nepoužívá se proto operátor : ani funkce c(). Stejně jako u jednoduchých hranatých závorek, na každou složku je odkazováno jejím číslem, má-li požadovaná složka název, můžeme na ni odkazovat jejím názvem v uvozovkách nebo můžeme použít operátoru $. > 1 <- list(barva=c("červena", "modra", "bila"), matrix(l:4, 2), + data.frame(Petr=sample(5, replace=T), Pavel=l:5, row.names=c("po", + "ut", "st", "ct", "pa"))) > 1["barva"] $barva [1] "červena" "modra" "bila" > typeof (1 ["barva"]) příkaz typeof () určí typ svého argumentu [1] "list" > 1[[2]] [,1] [,2] [1,] 1 3 [2,] 2 4 > typeof (1[ [2]]) [1] "integer" > typeof(l$barva) [1] "character" Protože datové tabulky jsou speciálním případem seznamů, řádky a/nebo sloupce tabulky dat mohou být získány pomocí [], [[]] a/nebo operátoru $. Datové tabulky mohou být považovány i za zobecněné matice, k vytvoření podmnožiny můžeme proto použít [, ]. > tab <- data.frame(cervena=c(l,2,3), modra=c(3,6,0), bila=c(2,5,l), + row.names=c("pondeli", "utery", "streda")) > tab[l] červena pondeli utery streda 1 2 3 > typeof(tab[1]) [1] "list" 37 KAPITOLA 4. DATOVÉ TABULKY A SEZNAMY > tab[[l]] ekvivalentní příkaz příkazům tab[["červena"]] a tab$cervena [1] 1 2 3 > typeof(tab[[1]]); typeof(tab[["červena"]]; typeof(tab$cervena)) [1] "double" [1] "double" [1] "double" > tab["utery", "bila"] [1] 5 K výběru podmnožiny datové tabulky slouží i příkaz subset(x, ). Argument x specifikuje název datové tabulky, z níž podmnožinu vybíráme. Argument subset specifikuje řádky vyhovující dané podmínce, přičemž hodnoty NA jsou brány jako FALŠE. Argument select specifikuje sloupce, které chceme vypsat, můžeme použít funkce c(), operátoru : i operátoru - pro vynechání složek. > subset(tab, subset=cervena==3, select=c(modra, bila)) modra bila streda 0 1 Funkce subset () vždy vrací tabulku dat, i když má jen jeden řádek nebo sloupec. K tomu, aby vrátila jen jednoduchý vektor, musíme za vlastní definici podmnožiny datové tabulky použít operátor $, za nímž následuje název sloupce: > tab["pondeli", "červena"] [1] 1 > subset(tab, subset=cervena==l, select=cervena) červena pondeli 1 > subset(tab, subset=cervena==l, select=cervena)$cervena [1] 1 4.3 Funkce pro manipulaci s datovými tabulkami a seznamy Přidání dalších sloupců Prvním způsobem, jak do datové tabulky přidat nový sloupec s hodnotami, je příkaz tvaru datová_tabulka$nazev_noveho_sloupce <- hodnoty. Druhým způsobem je provést přiřazení pomocí funkce data.frameO (bez přiřazení zobrazuje nové hodnoty pouze dočasně). 38 KAPITOLA 4. DATOVÉ TABULKY A SEZNAMY "Maj", "Temno", "Bidnici", "Jirásek", "Hugo", > (knihy <- data.frame(nazev=c("Dekameron" + "Babická"), autor=c("Boccaccio", "Macha" + "Nemcova"))) název autor 1 Dekameron Boccaccio 2 Maj Macha 3 Temno Jirásek 4 Bidnici Hugo 5 Babická Nemcova > knihy$pocet <- c(3, 6, 4, 3, 5) > knihy název autor počet 1 Dekameron Boccaccio 3 2 Maj Macha 6 3 Temno Jirásek 4 4 Bidnici Hugo 3 5 Babická Nemcova 5 > (knihy <- data.frame(knihy, k_dispozici=c(F, F, T, F, T))) název autor počet k_dispozici 1 Dekameron Boccaccio 3 FALSE 2 Maj Macha 6 FALSE 3 Temno Jirásek 4 TRUE 4 Bidnici Hugo 3 FALSE 5 Babická Nemcova 5 TRUE Funkce transform() pouze tiskne aktuální datovou tabulku, nepřidává nastálo novou proměnnou (v opačném případě musíme provést přiřazení). > transform(knihy, rok=c(1971, 1997, 1983, 2003, 1992)) přidá sloupec rok s danými hodnotami, proměnná knihy ovšem zůstane nezměněna název autor počet k_dispozici rok 1 Dekameron Boccaccio 3 FALSE 1971 2 Maj Macha 6 FALSE 1997 3 Temno Jirásek 4 TRUE 1983 4 Bidnici Hugo 3 FALSE 2003 5 Babická Nemcova 5 TRUE 1992 Pro přidání dalších složek do seznamu lze pomocí operátoru přiřazení tvaru seznam$nova_slozka <- objekt nebo seznam[["nova_slozka"]] <- objekt. 39 KAPITOLA 4. DATOVÉ TABULKY A SEZNAMY > (výzkum <- list(n=28, lokalita="Brno")) $n [1] 28 Slokalita [1] "Brno" > vyzkum$obdobi <- 2004:2012 > výzkum[["jakost"]] <- factor(c(0, 1, 1, 1, 0, 0, 1, 0, 1, 1), labels= + c("l", "2")) > výzkum $n [1] 28 Slokalita [1] "Brno" Sobdobi [1] 2004 2005 2006 2007 2008 2009 2010 2011 2012 $jakost [1] 1222112122 Levels: 1 2 Odstraňování řádků a sloupců Každý sloupec můžeme z datové tabulky odstranit použitím operátoru $ nebo [ ] nastavením na hodnotu NULL. > knihy$pocet <- NULL analogický příkaz: knihy ["počet"] <- NULL. O tom, že sloupce byly opravdu odstraněny, se můžeme přesvědčit funkcí names() > names(knihy) [1] "název" "autor" "k_dispozici" K odstranění řádků můžeme použít i operátor [ , ]. > (knihy <- knihy[1:3, c("název", "k_dispozici")]) název k_dispozici 1 Dekameron FALŠE 2 Maj FALŠE 3 Temno TRUE Slučování Ke sloučení datových tabulek můžeme použít funkce cbindO nebo rbind(), které 40 KAPITOLA 4. DATOVÉ TABULKY A SEZNAMY je sloučí po sloupcích nebo řádcích. Při použití funkce cbind() musí mít přidávané sloupce stejný počet řádků jako v již existující datové tabulce. Rovněž je vhodné se přesvědčit, že přidávané sloupce mají stejné pořadí řádků. Při použití funkce rbind() je třeba dodržovat stejný počet sloupců a jejich shodné názvy. Alternativou k funkcím cbind() a rbind() může být funkce merge(x, y, by, by.x, by.y, all, all.x, all.y) sloučí datové tabulky x a y by, by. x, by.y specifikují ty názvy sloupců, podle kterých mají být tabulky sloučeny. V případě stejného názvu sloupců použijeme argument by. Jsou-li názvy sloupců ke sloučení různé, specifikujeme je pomocí argumentů by.x a by.y. V případě více podmínek na spojení podmínky uvádíme ve formě vektoru typu řetězec. all, all.x a all.y specifikace těch řádků, které se mají objevit na výstupu. Implicitní nastavení all=FALSE vrací pouze řádky z průniku obou tabulek, all=TRUE vrací řádky ze sjednocení obou tabulek. all.x=TRUE vrací všechny řádky tabulky x, analogicky je tomu u all .y=TRUE Poznámka. Při použití některého z argumentů all=TRUE, all. x=TRUE nebo all. y=TRUE mají „volná" místa, která vznikla spojením, hodnotu NA. > (tabl <- data.frame(auto=c("fiat", "opel", "škoda", "bmw"), barva= + c("seda", "červena", "cerna", "modra"), rok=c(2003, 1999, 2008, + 2004))) auto barva rok 1 fiat seda 2003 2 opel červena 1999 3 škoda cerna 2008 4 bmw modra 2004 > (tab2 <- data.frame(znacka=c("saab", "bmw", "audi"), majitel=c("muz", + "zena", "zena"))) značka majitel 1 saab muz 2 bmw zena 3 audi zena V případě, že tabulky neobsahují stejný název sloupce, podle kterého by se sloučení mělo řídit, R vytvoří kartézský součin obou tabulek (tzn. ke každému řádku tabl se připojí každý řádek tab2): 41 KAPITOLA 4. DATOVÉ TABULKY A SEZNAMY > merge(tabl, tab2) auto barva rok značka majitel 1 fiat seda 2003 saab muz 2 opel červena 1999 saab muz 3 škoda cerna 2008 saab muz 4 bmw modra 2004 saab muz 5 fiat seda 2003 bmw zena 6 opel červena 1999 bmw zena 7 škoda cerna 2008 bmw zena 8 bmw modra 2004 bmw zena 9 fiat seda 2003 audi zena 10 opel červena 1999 audi zena 11 škoda cerna 2008 audi zena 12 bmw modra 2004 audi zena > merge(tabl, tab2, by.x="auto", by .y=" značka") spojení na základě výskytu bmw v obou sloupcích auto i značka auto barva rok majitel 1 bmw modra 2004 zena > merge(tabl, tab2, by.x="auto", by.y="značka", all.x=T) argument all.x=T zajistil, aby výstup obsahoval všechny hodnoty z tabl auto barva rok majitel 1 bmw modra 2004 zena 2 fiat seda 2003 3 opel červena 1999 4 škoda cerna 2008 Řazení K seřazení tabulek dat se používá funkce order(), která vrací vektor indexů vzestupně (implicitně) nebo sestupně uspořádaných prvků. Pro více informací o funkci order viz odstavec 5.4. > knihy název autor počet k_dispozici 1 Dekameron Boccaccio 3 FALSE 2 Maj Macha 6 FALSE 3 Temno Jirásek 4 TRUE 4 Bidnici Hugo 3 FALSE 5 Babická Nemcova 5 TRUE 42 KAPITOLA 4. DATOVÉ TABULKY A SEZNAMY > knihy [order(knihy$k_dispozici, knihy$nazev),] seřazuje podle sloupce k_dispozici, v případě vícenásobných hodnot řadí podle sloupce název název autor počet k_dispozici 4 Bidnici Hugo 3 FALŠE 1 Dekameron Boccaccio 3 FALŠE 2 Maj Macha 6 FALŠE 5 Babická Nemcova 5 TRUE 3 Temno Jirásek 4 TRUE Pokud některý ze sloupců tabulky tvoří numerický vektor, pro sestupné uspořádání tohoto sloupce můžeme použít operátoru -. Rovněž si můžeme všimnout, že v případě nejednoznačných podmínek na seřazení (řádek č. 1 a 4) dostává přednost řádek s nižším pořadovým číslem, u názvů řádků se postupuje podle abecedního uspořádání. > knihy[order(knihy$k_dispozici, -knihy$pocet),] název autor počet k_dispozici 2 Maj Macha 6 FALSE 1 Dekameron Boccaccio 3 FALSE 4 Bidnici Hugo 3 FALSE 5 Babická Nemcova 5 TRUE 3 Temno Jirásek 4 TRUE Příklady k procvičení 1. Následující tabulka popisuje 10 pacientů s podezřením na krátkozrakost (myo-pii). Tabulku přepište do systému R jako datovou tabulku myopiel, hodnoty pro pohlaví a myopii rodičů zadávejte jako faktor. ID pohlaví délka studie myopie rodičů 101 muž 3 ano 102 žena 5 ne 103 žena 2 ne 104 muž 4 ano 105 žena 4 ano 106 muž 3 ano 107 muž 2 ne 108 muž 1 ano 109 žena 7 ano 110 muž 5 ano 2. Přidáním nového sloupce pro délku oční bulvy délka s hodnotami 20.4, 22.7, 21.3, 24.56, 20.9, 21.8, 23.5, 23.9, 19.9, 22.6 vytvořte z tabulky myopiel tabulku 43 KAPITOLA 4. DATOVÉ TABULKY A SEZNAMY myopie. a) Z tabulky myopie odstraňte všechny sudé řádky. b) Z tabulky myopie odstraňte sloupec "myopie rodičů". Zjistěte rozměry nově vzniklé tabulky. c) Vypište "ID" a "pohlaví" pacientů z tabulky myopiel s délkou studie větší než čtyři roky. d) Vypište tabulku myopie seřazenou podle délky studie pacientů, popř. dle délky oční bulvy. 3. Následující tabulku definujte jako datovou tabulku myopie2: ID barva očí věk 101 modrá 8 102 zelená 11 103 hnědá 9 104 hnědá 14 105 modrá 9 106 šedá 13 107 zelená 9 108 modrá 8 109 modrá 12 110 hnědá 13 Poté slučte tabulky myopiel a myopie2 na základě "ID". Vyzkoušejte sloučení i pomocí funkce cbind. 4. Vytvořte seznam CR se složkami "země": Čechy, Morava, Slezsko, "města": Praha, Brno, Ostrava, Plzeň, Olomouc, "pohoří": pohoří vrchol nadmořská výška Krkonoše Sněžka 1602 Jeseníky Praděd 1492 Šumava Plechý 1378 Beskydy Lysá hora 1323 Krušné hory Klínovec 1244 a) Vypište druhou složku seznamu CR ve formě seznamu. Rovněž zjistěte, jakého je tato složka datového typu. b) Přidejte novou složku "sousedé": Německo, Rakousko, Slovensko, Polsko. c) Smažte složku "země" a pomocí vhodné funkce zjistěte počet složek seznamu 44 KAPITOLA 4. DATOVÉ TABULKY A SEZNAMY CR. d) Spočítejte průměrnou nadmořskou výšku pro uvedené vrcholy. (Pro výpočet průměru použijte funkci meanO). Řešení. 1. myopiel <- data.frame(ID=101:110, pohlavi=factor(c(0, 1, 1, 0, 1, 0, 0, 0, 1, 0), labels=c("muz", "zena"), levels=c(0, 1)), délka.studie=c(3, 5, 2, 4, 4, 3, 2, 1, 7, 5), myopie.rodic=factor( c(l, 0, 0, 1, 1, 1, 0, 1, 1, 1), labels=c("ne", "ano"), levels= c(0, 1))) 2. myopie <- data.frame(myopiel, delka=c(20.4, 22.7, 21.3, 24.56, 20.9, 21.8, 23.5, 23.9, 19.9, 22.6)) a) myopie <- myopie[-seq(from=2, by=2, to=nrow(myopie)),] b) myopie[,"myopie.rodič"] <- NULL, dim(myopie) c) subset(myopiel, select=c(ID, pohlavi), subset=delka.studie>4) d) myopie[order(myopie$delka.studie, myopie$delka),] 3. myopie2 <- data.frame(ID=101:110, barva.oci=c("modra", "zelena", "hneda", "hneda", "modra", "seda", "zelena", "modra", "modra", "hneda"), vek=c(8, 11, 9, 14, 9, 13, 9, 8, 12, 13)) merge(myopiel, myopie2, by="ID") cbind(myopiel, myopie2) 4. CR <- list(zeme=c("Cechy", "Morava", "Slezsko"), mesta=c("Praha", "Brno", "Ostrava", "Plzeň", "Olomouc"), pohori=data.frame(pohori= c("Krkonose", "Jeseniky", "Šumava", "Beskydy", "Krusne hory"), vrchol=c("Snezka", "Praděd", "Plechy", "Lysa hora", "Klinovec"), nadm.vyska=c(1602, 1492, 1378, 1323, 1244))) a) CR[2] nebo CR ["mesta"], typeof (CR[2]) CR[[2]] nebo CR [ ["mesta"] ] nebo CR$mesta, typeof (CR [ [2] ]) b) CR$sousede <- c("Nemecko", "Rakousko", "Slovensko", "Polsko") nebo CR[["sousede"]] <- c("Nemecko", "Rakousko", "Slovensko", "Polsko") c) CRSzeme <- NULL nebo CR ["zeme"] <- NULL length(CR) d) mean((CR$pohori))[,3] 45 KAPITOLA 5. KONSTANTY, OPERÁTORY A MATEMATICKÉ VÝPOČTY 46 Kapitola 5 Konstanty, operátory a matematické výpočty Základní informace Kapitola je věnována aritmetickým, porovnávacím, logickým a množinovým operátorům, jejichž znalost je základním předpokladem programovacích schopností. Dále jsou uvedeny matematické funkce, základní statistické funkce a funkce pro zaokrouhlování. Někdy je pro zjednodušení práce velmi výhodné pracovat s vestavěnými konstantami, které jsou uvedeny na konci kapitoly. Výstupy z výuky Studenti • ovládají aritmetické operátory, zopakují si rozdíly mezi maticovým násobením a násobením po složkách, • používají porovnávací a logické operátory, • se seznámí s množinovými operátory, • znají a umí vhodně použít matematické funkce, • ovládají funkce pro zaokrouhlování a dokáží využívat zabudovaných konstant. KAPITOLA 5. KONSTANTY, OPERÁTORY A MATEMATICKÉ VÝPOČTY 5.1 Aritmetické operátory + sčítání odčítání * násobení / dělení umocňování °/o*°/o maticové násobení °/o°/o zbytek po celočíselném dělení (modulo) °/o/°/o celá část z celočíselného dělení t () transpozice matice nebo datové tabulky Transpozicí (řádkového) vektoru je v jazyce R stále (řádkový) vektor. Trans-pozicí řádkového vektoru je v systému MATLAB sloupcový vektor. > a <- c(3, 5, 7, 8); b <- c(l, 2, 3); c <- c(4, 1, 8) > a + b [1] 4 7 10 9 Warning message: In a + b : longer object length is not a multiple of shorter object length Protože vektor b je menší délky než vektor a, je potřeba jeho délku zvětšit o jednu pozici. (Pravidlo pro postupné opakování složek do požadované délky se nazývá recycling rule.) Poslední složka výstupního vektoru je tedy součtem 4. složky vektoru a a 1. složky vektoru b. Na stejném principu fungují i všechny ostatní aritmetické operátory. MATLAB by v tomto případě hlásil chybu a výpočet by neprovedl, protože sčítance nejsou stejné dimenze. > "a" + "b" Error in "a" + "b" : non-numeric argument to binary operátor Binární operátory můžeme použít pouze na numerické argumenty. Na rozdíl od R, v MATLABu je můžeme použít i na textové řetězce, které jsou převedeny na odpovídající kód v ASCII tabulce a následně provedena příslušná operace. > b / c [1] 0.250 2.000 0.375 > b l/l c [1] 0 2 0 47 KAPITOLA 5. KONSTANTY, OPERÁTORY A MATEMATICKÉ VÝPOČTY > b II c [1] 1 0 3 5.2 Porovnávací a logické operátory Porovnávací operátory slouží k porovnávání odpovídajících si složek vektorů. Na výstupu dostáváme vektor logických hodnot TRUE a FALSE délky nej delšího vektoru na vstupu. Hodnoty TRUE obsazují ty pozice, které splňují danou podmínku, ostatní pozice jsou vyplněny hodnotami FALSE. rovno ! = není rovno <, <= menší, menší nebo rovno >, >= větší, větší nebo rovno & logické a I logické nebo ! negace > a <- c(3, 5, 7) > b <- c(l, 2, 3) > c <- 1:4 > a <= b [1] FALSE FALSE FALSE > a >= 3 & b <= 2 [1] TRUE TRUE FALSE > !(a == 5 I a == b) [1] TRUE FALSE TRUE Při porovnání vektorů o různých délkách je uplatněno pravidlo recycling rule: > b == c [1] TRUE TRUE TRUE FALSE Warning message: In b == c : longer object length is not a multiple of shorter object length 48 KAPITOLA 5. KONSTANTY, OPERÁTORY A MATEMATICKÉ VÝPOČTY 5.3 Množinové operátory all (relace) testuje, zda jsou všechny složky relace pravdivé any (relace) testuje, zda je alespoň jedna složka relace pravdivá which(relace) vrací pořadí těch složek relace, které jsou pravdivé (popř. které splňují danou podmínku). V případě polí můžeme použít argument arr. ind=T pro výpis hodnot v podobě čísel řádků a sloupců, popř. dalších dimenzí x Zin'/, y, is. element (x, y) testuje, zdaje x podmnožinou množiny y, vrací logické hodnoty intersect (množiny) průnik množin union(mnoziny) sjednocení množin setdiff(x, y) rozdíl množin, vrací ty prvky vektoru x, které nejsou obsaženy v y > x <- 1:10 > y <- 2:9 > z <--5:5 > all (z) testuje, zda jsou všechny prvky vektoru z nenulové [1] FALSE > all(z > -10) testuje, zda jsou všechny prvky vektoru z větší než —10 [1] TRUE > any(z) [1] TRUE > all(y) >= x[5] [1] FALSE > any(x) == any(y) [1] TRUE > m <- matrix(2:10, c(3, 3)) [,1] [,2] [,3] [1,] 2 5 8 [2,] 3 6 9 [3,] 4 7 10 > which(m > 8 I m == 3) [1] 2 8 9 > which(m > 8 I m == 3, arr.ind=T) row col [1,] 2 1 [2,] 2 3 [3,] 3 3 49 KAPITOLA 5. KONSTANTY, OPERÁTORY A MATEMATICKÉ VÝPOČTY > x °/„in°/„ y [1] FALSE TRUE TRUE TRUE TRUE TRUE TRUE TRUE TRUE [10] FALSE > is.element(y, x) [1] TRUE TRUE TRUE TRUE TRUE TRUE TRUE TRUE > union(x[l:5] , y[c(7, 8)]) [1] 1 2 3 4 5 8 9 > intersect(x[l:5], y[c(l, 2, 3)]) [1] 2 3 4 > setdiff(x, y) [1] 1 10 > setdiff(y, x) integer(0) 5.4 Matematické funkce Předpokládejme, že objekt x je numerický, komplexní, logický vektor nebo pole, operace jsou prováděny po složkách. abs (x) , sqrt (x) absolutní hodnota a druhá odmocnina objektu x sign (x) signum objektu x Logaritmické a exponenciální funkce: log(x) , loglO(x), log2(x) přirozený logaritmus, logaritmus se základem 10 a 2 log(x, base) logaritmus se základem base exp(x) exponenciální funkce x Trigonometrické a hyperbolické funkce: cos(x), sin(x), tan(x), cosh(x), sinh(x), tanh(x) Inverzní trigonometrické a hyperbolické funkce: acos(x), asin(x), atan(x), acosh(x), asinh(x), atanh(x) gamma(x) gamma funkce pro kladná reálná čísla x choose(n, k) kombinační číslo (™) pro každé reálné číslo n a přirozené číslo k, n > k factorial(x) faktoriál x max (x) , min (x) , sum (x) , prod(x) vrací maximální a minimální prvek, součet a součin prvků argumentu x. Pro objekty typu matice nebo pole funkce sum(x) a prod(x) 50 KAPITOLA 5. KONSTANTY, OPERÁTORY A MATEMATICKÉ VÝPOČTY vrací součet, resp. součin všech prvků. MATLAB aplikuje funkce sum() a prod() na matice po sloupcích. cummax(x) , cummin(x), cumsum(x), cumprod(x) vrací vektor, jehož složkami jsou maximum, minimum, kumulativní součet a součin prvků argumentu x > a <- c(l, 2, 3, 5, 8, 2, 4, 1, 2, 2) > cumsum(a) [1] 1 3 6 11 19 21 25 26 28 30 > cummin(a) vždy nerostoucí posloupnost prvků [1] 1111111111 > cummax(a) vždy neklesající posloupnost prvků [1] 1235888888 range(x) vektor obsahující minimum a maximum objektu x, range(x) je ekvivalentní příkazu c(min(x), max(x)) mean(x) , medián (x) průměr a medián objektu x sd(x) směrodatná odchylka objektu x, v případě, že x je matice, sd(x) vrací směrodatnou odchylku jejích sloupců var(x) , cov(x, y) , cor(x, y) rozptyl x, kovariance a korelace vektorů x, y, v případě, že x, y jsou matice, kovariance a korelace jsou počítány mezi sloupci x a y quantile(x) generická funkce, vrací minimum, dolní kvartil, medián, horní kvartil a maximum objektu x > c(min(a), max(a)); range(a) [1] 1 8 [1] 1 8 > mean(a) [1] 3 > var (a) [1] 4.666667 > quantile(a) 0 7. 25 7. 50 7. 75 7. 100 7. 1.00 2.00 2.00 3.75 8.00 pmax(x, y, z, ...), pmin(x, y, z, ...) objekt maximálních/minimálních prvků na odpovídajících si pozicích > b <- 1:10 > pmin(a, b) [1] 1234524122 51 KAPITOLA 5. KONSTANTY, OPERÁTORY A MATEMATICKÉ VÝPOČTY Pro pole o 2 a více dimenzích s numerickými, komplexními nebo logickými hodnotami nebo pro datové tabulky můžeme použít následující funkce, které vrací průměry, součty a rozptyly po sloupcích či řádcích: colMeans(x), colSums(x), colVars(x) rowMeans(x), rowSums(x), rowVars(x) > (e <- matrix(a,5)) [,1] [,2] [1,] 1 2 [2,] 2 4 [3,] 3 1 [4,] 5 2 [5,] 8 2 > rowSums(e) [1] 3 6 4 7 10 sort(x, decreasing, na.last, index.return) seřazení objektu x decreasing=F vzestupné pořadí (implicitní nastavení), decreasing=T sestupné pořadí, na.last=NA zajišťuje vynechání hodnot NA (implicitní nastavení), na.last=T zajišťuje, aby hodnoty NA byly řazeny na konec, na.last=F řadí hodnoty NA na začátek index. return=T vypíše i původní pořadí hodnot order(x, decreasing, na.last) vypíše indexy seřazených hodnot na.last=T řadí hodnoty NA na konec (implicitní nastavení), na.last=F řadí hodnoty NA na začátek, na.last=NA hodnoty NA vynechává rank(x, na.last, ties.method) vypíše pořadí jednotlivých hodnot odpovídajících vzestupně seřazenému vektoru x na.last stejně jako u funkce order ties .method nabývá jedné z hodnot c("first", "random", "average", "max", "min") a používá se pro specifikaci řazení shodných hodnot, "f irst" řadí vzestupně podle pozice v řadě, "random" řadí náhodně, "average" podle průměrného pořadí (implicitní nastavení) a "min"/"max" podle hodnoty minimálního/maximálního pořadí rev(x) převrácení pořadí hodnot vektoru > a <- c(l, 2, 3, 5, 8, NA, 2, 4, 1, 2, 2) > sort (a) hodnoty NA automaticky vynechává [1] 1122223458 > sort(a, na.last=F) [1] NA 1122223458 52 KAPITOLA 5. KONSTANTY, OPERÁTORY A MATEMATICKÉ VÝPOČTY > order(a) [1] 1 9 2 7 10 11 3 8 4 5 6 > rank(a, ties.method="average") [1] 1.5 4.5 7.0 9.0 10.0 11.0 4.5 8.0 1.5 4.5 4.5 > rev(a) [1] 22142 NA 85321 5.5 Zaokrouhlování Pro zaokrouhlování se používají následující funkce: ceilingO zaokrouhlení k nejbližšímu většímu celému číslu f loor() zaokrouhlení k nejbližšímu menšímu celému číslu trunc() zaokrouhlení směrem k 0, celá část daného čísla round() zaokrouhlení k nejbližšímu celému číslu, parametrem digits=pocet volíme počet desetinných míst, na jaký má být zaokrouhlení provedeno (implicitně digits=0) signif () zaokrouhlení na určitý počet platných cifer (parametr digits, zbytek doplní nulami) > ceiling(c(3.468575, -3.468575)) [1] 4 -3 > floor(c(3.468575, -3.468575)) [1] 3 -4 > trunc(c(3.468575, -3.468575)) [1] 3 -3 > round(c(3.468575, -3.468575), digits=3) [1] 3.469 -3.469 > signif(c(3.468575,-3.468575), digits=3) [1] 3.47 -3.47 Poznámka. Zaokrouhlování čísla 5: pokud následují za číslicí 5 jen nuly, číslo je zaokrouhleno směrem dolů, pokud následuje jakákoliv jiná číslice, číslo je zaokrouhleno nahoru. > round(7.125, digits=2) [1] 7.12 > round(7.12501, digits=2) [1] 7.13 53 KAPITOLA 5. KONSTANTY, OPERÁTORY A MATEMATICKÉ VÝPOČTY 5.6 Konstanty Jazyk R má zabudovány konstanty, z nichž nejpoužívanější jsou: pi ... 7T, Ludolfovo číslo exp(l) ... e, základ přirozeného logaritmu, Eulerovo číslo i ... -i, komplexní jednotka . Last. value ... proměnná obsahující poslední hodnotu, jež nebyla přiřazena do žádné proměnné explicitně letters ... malá písmena abecedy LETTERS ... velká písmena abecedy month. name ... anglické názvy měsíců month. abb ... zkratky anglických názvů měsíců > 3 [1] 3 > .Last.value [1] 3 > LETTERS[9:14] [1] 'i j'i "J" "K" "L" "M" "N" > month.name [c(7, 10)] [1] "July" "October" Příklady k procvičení 1. Definujte vektory vl s hodnotami 1, 3, 4, v2 jako posloupnost délky 5 s počáteční hodnotou -6 a krokem 2 a v3 s prvními třemi složkami vektoru v2. a) Proveďte součet, rozdíl, součin a podíl vektorů vl a v3. b) Vysvětlete výsledky, pokud operace z předchozího zadání použijete na vektory vl a v2. c) Uveďte celou část a zbytek po dělení vektoru vl vektorem v3. d) Uveďte pozice vektoru vl, jejichž hodnoty jsou různé od hodnot vektoru v3 na odpovídajících si pozicích. e) Uveďte počet prvků vektoru v2, jehož hodnoty jsou menší než -3 nebo rovny 1. f) Spočítejte součin nenulových hodnot vektoru v2. g) Zjistěte, zda je alespoň jeden prvek vektoru vl nulový. 2. Ve třech laboratořích byly analyzovány různé vlastnosti kávy: obsah vody (xl), hmotnost zrn (x2), pH (x3), tuky (x4), kofein (x5), obsah minerálů (x6) a extrakt (x7). V první laboratoři labl byly pozorovány vlastnosti xl, x2, x3, x6, ve druhé 54 KAPITOLA 5. KONSTANTY, OPERÁTORY A MATEMATICKÉ VÝPOČTY laboratoři lab2 vlastnosti xl, x3, x4, x5 a ve třetí laboratoři lab3 vlastnosti xl, x2 a x5. Zjistěte, které vlastnosti a) byly analyzovány ve všech třech laboratořích, b) byly analyzovány v první i druhé laboratoři, ale ne ve třetí, c) nebyly analyzovány ani jednou z laboratoří, d) byly analyzovány alespoň jednou z laboratoří. 3. Je dána matice A = 1 —1 1 . Spočítejte její spektrální poloměr, tj. nej- \ 8 -27 1 / větší vlastní číslo v absolutní hodnotě. 4. Kolika způsoby můžeme z krabičky 20 kuliček vybrat právě 5? Kolika způsoby bychom mohli vybrat 5 kuliček, záleželo by-li na jejich pořadí? 5. Spočítejte směrnici tečny ke grafu funkce, víte-li, že daná tečna svírá s kladnou poloosou x úhel 60°. 6. Náhodně vygenerujte vektor 10 celých čísel z intervalu [—2,3]. 7. Náhodně vygenerujte vektor v4 šesti hodnot z intervalu [1,4] a zaokrouhlete jej na: a) 3 desetinná místa, b) 3 platné cifry, c) směrem k nule. 8. Vypište posledních 5 velkých písmen abecedy. 9. Vypište anglické názvy měsíců, jejichž pořadí odpovídá násobkům čísla 3. Řešení. 1. vl <- c(l, 3, 4),v2 <- seq(length=4, from=-2, by=2),v3 <- v2[l:3] nebo v3 <- head(v2, 3) a) vl + v3, vl - v3, vl * v3, vl / v3 b) vl + v2, vl - v2, vl * v2, vl / v2... na kratší vektor použito pravidlo recyclíng rule c) vl l/l v3, vl 11 v3 d) whichCvl != v3) e) sum(v2 < -3 I v2 == 1) f) prod(v2[v2 != 0]) g) any(vl == 0) 55 KAPITOLA 5. KONSTANTY, OPERÁTORY A MATEMATICKÉ VÝPOČTY 2. labl <- c("xl", "x2", "x3", nx6"),lab2 <- c("xl", "x3", "x4", "x5"), lab3 <- c("xl", "x2", "x5") a) intersect(intersect(labl, lab2), lab3) b) setdiff(intersect(labl, lab2), lab3) c) setdiff(c("xln, "x2", "x3", "x4\ "x5", "x6"), union(union(labl, lab2), lab3)) d) union(union(labl, lab2), lab3)) 3. A <- matrix(c(2, 1, 8, 1, -1, -27, 3, 1, 1), 3) max(abs(eigen(A)$values)) 4. choose(20, 5), factorial(20)/factorial(15) 5. tan(pi/3) 6. round(runif(n=10, min=-2, max=3)) nebo sample(x=-2:3, size=10, rep=T) 7. v4 <- runif(n=6, min=l, max=4) a) round(v4, 3) b) signif(v4, 3) c) trunc(v4) 8. tail(LETTERS, 5) 9. month.name[seq(from=3, by=3, to=12)] 56 KAPITOLA 6. DALŠÍ PŘÍKAZY V R 57 Kapitola 6 Další příkazy v R Základní informace Jazyk R obsahuje velké množství funkcí, některé z nich jsou součástí standardní distribuce, mnohé jsou součástí podpůrných balíčků. Pro využití i těchto funkcí je velmi důležité umět pracovat s balíčky - umět je nainstalovat a načíst. Pro statistickou analýzu dat je rovněž důležité umět pracovat nejen s vestavěnými datovými soubory, ale rovněž s externími, vlastními datovými soubory. Pro práci s takovými soubory je potřeba je umět načíst, součástí této kapitoly jsou funkce pro načítání externích datových souborů. Poslední část kapitoly tvoří seznam funkcí, který uživatelům usnadňuje jednoduše a přehledně z datových struktur čerpat základní informace. Výstupy z výuky Studenti • ovládají práci s knihovnami, umí je nainstalovat a načíst, • dokáží použít různé funkce pro načítání dat, • umí ukládat objekty do souboru, • znají funkce pro výpis vlastností objektů. 6.1 Práce s knihovnami Ne všechny funkce jsou přístupné ze základních knihoven, jsou umístěny v dodatečných balíčcích. Výpis aktuálně nainstalovaných knihoven můžeme získat příkazem KAPITOLA 6. DALŠÍ PŘÍKAZY V R library(). Příkaz searchO vyhledá přiinstalované knihovny. > searchO [1] ".GlobalEnv" "package:stats" "package:graphics" [4] "package:grDevices" "package:utils" "package:datasets" [7] "package:methods" "Autoloads" "package:base" Mnohdy je zapotřebí přiinstalovat další balíčky: záložka Packages —> Install Pac-kage(s) ... nebo příkazem install.packages("nazev_balicku"). Před zahájením práce s přiinstalovanými balíčky je třeba je načíst příkazem library (nazev_balicku), až teprve v tomto okamžiku je balíček připraven k používání. O tom se znovu můžeme přesvědčit: > library(Matrix) Loading required package : lattice > searchO [1] ".GlobalEnv" "package:Matrix" "package:lattice" [4] "package:stats" "package:graphics" "package:grDevices" [7] "package:utils" "package:datasets" "package:methods" [10] "Autoloads" "package:base" 6.2 Práce s daty Funkce pro načítání dat scan(file, what, sep, dec, nmax) je funkce pro načtení vektoru nebo seznamu z konzole nebo souboru. Popis argumentů: file textový řetězec uvádějící cestu k souboru, při načítání ze schránky f ile="clipboard" what typ načítané hodnoty (numerické, komplexní, ...) sep znak, kterým jsou odděleny jednotlivé načítané položky, např. sep="," dec znak pro desetinnou čárku nmax maximální počet hodnot, který má být načten Postup pro zobrazení hodnot uložených ve schránce: 1. zkopírovat příslušná data, např. 2; 4; 6; 1; 3; 5 2. zavolat funkci scan() > x <- scan(file="clipboard", sep=";") Po jejím zavolání se objeví oznámení: Read 6 items > x [1] 2 4 6 1 3 5 > x <- scan(file="clipboard", sep=";", what=character()) Read 6 items 58 KAPITOLA 6. DALŠÍ PŘÍKAZY V R > x [1] "2" "4" "6" "1" "3" "5" Další takovou funkcí je read, table (file, header, sep, dec, row. names, col.names), která načítá data do tabulky dat (data.frame) file, sep, dec viz funkce scan() header logická hodnota, zda je v datech obsažena hlavička row. names textový řetězec názvů řádků nebo číslo odkazující na sloupec názvů c o 1. name s vektor názvů sloupců 1, 2, 3, 4, 5 3, 2, 1, 1, 2 > read.table(f ile="clipboard", sep=",") VI V2 V3 V4 V5 1 1 2 3 4 5 2 3 2 1 1 2 1 2 3 4 5 rl 3 2 1 1 2 r2 > read.table(file="clipboard", row.names=6, col.names=c("sll", "sl2", + "sl3", "sl4", "sl5", "sl6")) přestože poslední sloupec obsahuje názvy řádků, argument col.names musí obsahovat jeho název i tohoto sloupce ("sl6"), i když nebude vytištěn sil sl2 sl3 sl4 sl5 rl 1 2 3 4 5 r2 3 2 1 1 2 sil sl2 sl3 sl4 sl5 sl6 1 2 3 4 5 rl 3 2 1 1 2 r2 > read.table(file="clipboard", row.names=6, header=T) sil sl2 sl3 sl4 sl5 rl 1 2 3 4 5 r2 3 2 1 1 2 > load(f ile="dunaj .dat") načtení dat ze souboru dunaj .dat (data znázorňující kolísání [m3/s] Dunaje během roku, [8]) > dunaj [1] 1987 1728 1862 2083 2143 2187 2588 2224 2001 [10] 1767 1460 1444 Pro usnadnění práce s daty jazyk R obsahuje okolo sta vestavěných datových souborů (v balíčku datasets). Funkce data() zobrazí seznam dostupných datových sou- 59 KAPITOLA 6. DALŠÍ PŘÍKAZY V R borů. K zobrazení vybraných souborů slouží příkaz data(nazev, package)1, argument package slouží ke specifikaci balíčku, ve kterém se data nachází. Dalšími užitečnými funkcemi jsou attachO a detach(). Funkce attach() má použití zejména u seznamů a datových tabulek, kde umožňuje vypisování jejich složek přímo, tzn. bez uvedení názvu objektu. Argumentem funkce je název objektu, u kterého chceme výše uvedené provést. > tabulka <- data.frame(id=c(l:6), skupina=c(l, 2, 2, 1, 2, 1), + hodnota=runif(6, 2, 4)) > id Error : object 'id' not found > attach(tabulka) > id [1] 1 2 3 4 5 6 Opakem k funkci attach je funkce detach, která naopak znemožní, aby byly složky volány pouze svým názvem, nikoliv uvedením i názvu objektu. > detach(tabulka) > id Error : object 'id' not found > tabulka$id [1] 1 2 3 4 5 6 Ukládání dat K ukládání objektů object do souboru specifikovaného argumentem file="" slouží funkce save (object, file=""). Objekt může být následně načten pomocí funkce load. > 1 <- list(v=l:5, mat=matrix(2:7, 3)) pro ukládání více objektů současně je vhodné seskupit tyto objekty do seznamu > saved, file="seznam.txt") > načteni <- load ("seznam.txt") načtení uloženého souboru seznam.txt, který obsahuje proměnnou 1 > načteni [1] "1" ^^Od verze 2.0.0 jsou všechny datové soubory přístupné přímo zavoláním jejich názvu. Mnohé balíčky ovšem stále používají dřívější způsob volání pomocí data (název) , jenž může být stále využíván i dnes. 60 KAPITOLA 6. DALŠÍ PŘÍKAZY V R > 1 $v [1] 1 2 3 4 5 $mat [,2] EU 2 5 [2,] 3 6 [3,] 4 7 Posloupnost jednotlivých příkazů i s jejich výstupy můžeme uložit v menu Fíle —> Save to Fíle.. .. Historii příkazů můžeme uložit v menu Fíle —> Save Hístory nebo příkazem savehistory(file=".RHistory"), příkazem loadhistory(file=".RHistory") ji následně můžeme načíst. V případě, že otevíráme dříve uložený soubor, historie příkazů je načtena automaticky s ním. 6.3 Vlastnosti objektů Se základními vlastnostmi objektů jsme se již seznámili v předešlých kapitolách. Zde si uvedeme některé další funkce, které nám o vnitřní struktuře objektů vypoví mnohem více. summary (object) jedná se o tzv. generickou funkci (funkce, která si nejprve zjistí, jakého typu je její parametr, podle něj pak vypisuje celkový přehled) > (a <- c(l, 2, 3, 5, 8, 2, 4, 1, 2, 2)) [1] 1235824122 > summary (a) v případě číselných vektorů funkce summary () vrací minimum, 1. kvartil, medián, průměr, 3. kvartil a maximum Min. 1st Qu. Median Mean 3rd Qu. Max. 1.00 2.00 2.00 3.00 3.75 8.00 > (b <- c(l+3i, 7-li, NA)) [1] l+3i 7-li NA > summary(b) Length Class Mode 3 complex complex > (c <- c(T, T, F, T, F)) [1] TRUE TRUE FALSE TRUE FALSE > summary(c) Mode FALSE TRUE NA's logical 2 3 0 61 KAPITOLA 6. DALŠÍ PŘÍKAZY V R > (d <- c("k", "1", "1", "m")) [1] "k" "1" "1" "m" > summary(d) Length Class Mode 4 character character (e <- matrix(a, [,1] [,2] EU 1 2 [2,] 2 4 [3,] 3 1 [4,] 5 2 [5,] 8 2 > summary (e) vypíše přehled pro každý sloupec VI V2 Min. 1 0 Min. 1 0 1st Qu. 2 0 1st Qu. 2 0 Median 3 0 Median 2 0 Mean 3 8 Mean 2 2 3rd Qu. 5 0 3rd Qu. 2 0 Max. 8 0 Max. 4 0 > (f <- factor(a)) [1] 1235824122 Levels: 12 3 4 5 8 > summary (f) vypisuje četnosti jednotlivých úrovní faktoru (Levels) 1 2 3 4 5 8 2 4 1111 > (tab <- data.frame(cervena=c(15, 14, 12, 12), seda=c(13, 17, 10, 9), + zelena=c(7, 9, 8, 6))) červena seda zelena 1 15 13 7 2 14 17 9 3 12 10 8 4 12 9 6 > summary(tab) opět vypisuje přehled pro každý sloupec zvlášť červena seda zelena Min. 12 00 Min. 9 00 Min. 6 00 1st Qu. 12 00 1st Qu. 9 75 1st Qu. 6 75 Median 13 00 Median 11 50 Median 7 50 Mean 13 25 Mean 12 25 Mean 7 50 3rd Qu. 14 25 3rd Qu. 14 00 3rd Qu. 8 25 Max. 15 00 Max. 17 77 Max. 9 00 62 KAPITOLA 6. DALŠÍ PŘÍKAZY V R str (object) přehledně vypíše podrobnou vnitřní strukturu objektu, je alternativou k funkci summary() s tím rozdílem, že výpis provádí do řádku > str(a) num [1:10] 1 2 3 5 8 2 4 1 2 2 > str(b) cplx [1:3] l+3i 7-li NA > str(c) logi [1:5] TRUE TRUE FALSE TRUE FALSE > str(d) chr [1:4] "k" "1" "1" "m" > str(e) num [1:5, 1:2] 1 2 3 5 8 2 4 1 2 2 > str(f) Factor w/ 6 levels "1" "2" "3" "4",..: 123582 4 12 2 > str(tab) 'data.frame': 4 obs. of 3 variables $ červena $ seda $ zelena num 15 14 12 12 num 13 17 10 9 num 7 9 8 6 comment (object) nastaví nebo vypíše komentář k danému objektu > comment(tab) <- "Pocty aut jednotlivých barev během 4 časových obdobi." nastavení komentáře k objektu tab > comment (tab) zobrazení komentáře [1] "Pocty aut jednotlivých barev během 4 časových obdobi." attributes (object) vypisuje všechny atributy objektu. K výpisu nebo nastavení konkrétní vlastnosti objektu slouží příkaz attr(object, name), kde parametr name udává název zjišťované vlastnosti. > (ar <- array(l:8, c(2, 2, 2))) , 1 [,2] [1,] 1 2 [2,] 2 4 , , 2 [,2] [U 5 7 [2,] 6 8 > attributes(ar) $dim [1] 2 2 2 63 KAPITOLA 6. DALŠÍ PŘÍKAZY V R > attributes(f) $levels [1] "1" "2" "3" "4" "5" "8" $class [1] "factor" > attributes(tab) $names [1] "červena" "seda" "zelena" $row.names [1] 1 2 3 4 $class [1] "data.frame" $comment [1] "Pocty aut jednotlivých barev během 4 časových obdobi." > attr(tab, "names") [1] "červena" "seda" "zelena" Funkce as. somethingO umožňuje změny datových typů všude, kde je to smysluplné. > u <- 1:10 [1] 1 2 3 4 5 6 7 8 9 10 > v <- as . character(u) převede numerický vektor na vektor textových hodnot [1] " 1" "2" "3" "4" "5" "6" "y "8" "9" "10" > w <- as . integer (v) převede vektor textových hodnot na numerický vektor, vektory u a w jsou stejného typu [1] 1 2 3 4 5 6 7 8 9 10 K převodu objektů z jednoho datového typu na druhý je k dispozici velké množství funkcí typu as. somethingO. Jejich seznam můžeme najít příkazem methods(as). Příklady k procvičení 1. Do pracovního adresáře načtěte soubor strom.dat. Součástí tohoto souboru je objekt strom. a) Vhodným příkazem zjistěte informace o vnitřní struktuře tohoto objektu. 64 KAPITOLA 6. DALŠÍ PŘÍKAZY V R b) Zjistěte, zdaje pro tento objekt vytvořen komentář. V případě že není, stručný komentář pro něj vytvořte. c) Převeďte tento objekt na textovou matici stroml. 2. Nainstalujte a načtěte knihovnu Hmisc. Na objektu strom porovnejte výstup funkce describeO z této knihovny s funkcemi str() a attributes(). Výstup funkce describeO uložte do proměnné descr. 3. Do proměnné merenil načtěte soubor mereni .txt i s názvy řádků a sloupců. 4. Umožněte, aby na jednotlivé sloupce proměnné merenil mohlo být odkazováno přímo. 5. Spojte proměnné strom, stroml, descr ametoda2 do seznamu seznam, ten uložte do souboru seznam.dat. Výpisem souborů pracovního adresáře se přesvědčte, že jste tak opravdu učinili. Řešení. 1. load("strom.dat") a) summary(strom) b) comment(strom) <- "Metody mereni výsky stromu" c) stroml <- as.matrix(strom) 2. install.packages("Hmisc"), library(Hmisc) descr <- describe(strom), str(strom), attributes(strom) 3. merenil <- read.table(file="mereni.txt") 4. attach(merenil) 5. seznam <- list(strom=strom, stroml=stroml, descr=descr, metoda2= metoda2) save(seznam, file="seznam.dat"), dir() 65 KAPITOLA 7. GRAFIKA V R 66 Kapitola 7 Grafika v R Základní informace Grafika jazyka R patří k jedné z nejvíce propracovaných částí, nabízí nepřeberné množství funkcí pro tvorbu kompletních grafů včetně popisků (high-level grafika) stejně jako funkcí k přidávání nových částí či změně již existujícího vzhledu grafu (low-level grafika). Cílem kapitoly je uvést nejvíce používané argumenty grafických funkcí, seznámit se s funkcí par, jejíž argumenty dokáží zastoupit mnohé low-level funkce, a dalšími funkcemi k tvorbě grafických výstupů. Výstupy z výuky Studenti • znají rozdíly mezi high-level a low-level grafikou, • se seznámí s několika příkazy pro tvorbu high-level grafiky a umí používat jejich argumenty, • ovládají funkce pro vykreslení základních typů grafů, • dokáží vytvářet 3D grafy, • umí použít funkce pro tvorbu low-level grafiky, • umí využívat vlastností funkce par, • znají příkazy pro ukládání grafu do souboru, umí pracovat s podgrafy. Systém R umožňuje zobrazovat širokou škálu grafů. Příkazy k vykreslování grafů jsou rozděleny do tří základních skupin: KAPITOLA 7. GRAFIKA V R • High-level funkce vytváří kompletní nový graf s osami, popisky, názvem atd. • Low-level funkce přidávají do již existujícího grafu další informace, např. další body, čáry, popisky. • Interaktivní grafika umožňuje interaktivně pomocí myši přidávat data do již existujícího grafu. V případě, že jsou tyto grafy nedostačující, můžeme použít dalších balíčků - např. grid, lattice, iplots, misc3D, rgl, scatterplot nebo balíček maps obsahující nejrůznější mapy. 7.1 High-level funkce Všechny grafy jsou nejprve vytvořeny pomocí high-level funkcí, které vytváří "kompletní" graf. Kompletní v tom smyslu, že jsou automaticky vygenerovány osy, popisky a nadpis (pokud sami nenastavíme jinak). High-level funkce vždy vykreslují nový graf, v případě, že již nějaký graf existuje, přepíší jej. Je důležité si uvědomit, že data k vykreslení mohou být různé objekty - podle druhu objektu grafické funkce následně vykreslují graf. Argumenty k high-level funkcím: axes implicitní hodnota TRUE, nastavení na hodnotu FALŠE potlačuje vy- kreslování os log nastavením na hodnoty log="x", log="y", log="xy" budou mít vy- brané osy logaritmické měřítko main textový řetězec pro název grafu, je umístěn nad grafem sub textový řetězec, je umístěn pod grafem a psán menším fontem type typ výstupního grafu type="p" vykresluje samostatné body (implicitní nastavení) type="l" linie type="b" přerušované linie s body type="c" přerušované linie bez bodů type="o" body navzájem spojené liniemi type="h" vertikální linie type="s" schodovitý graf s první linií horizontální type="S" schodovitý graf s první linií vertikální type="n" žádné vykreslování dat, vykresleny jsou pouze osy, rozsah souřadného systému závisí na datech 67 KAPITOLA 7. GRAFIKA V R xlab, ylab textové řetězce pro názvy os x a y, tyto argumenty mění implicitně zadané názvy os při volání high-level funkcí xlim, ylim 2-prvkový vektor specifikující minimální a maximální hodnotu k vykreslení dané osy Dále jsou uvedeny nejpoužívanější typy grafů se svými argumenty. Nejedná se o kompletní výčet argumentů, uvedeny jsou pouze ty nejdůležitější. Použitá data jsou uvedena na přiloženém CD. • plot(x) vzhled grafu závisí na povaze vstupních dat. Pro numerický vektor vrací jednoduchý graf s indexy na ose x a hodnotami na ose y, pro matice vrací graf s hodnotami prvního sloupce na ose x a odpovídajícími hodnotami druhého sloupce na ose y (ostatní sloupce jsou ignorovány), pro faktory vykresluje sloupcový graf četností jednotlivých kategorií, pro datové tabulky vykresluje bodový graf závislosti všech proměnných, pro funkce vykresluje hladkou čáru • plot(x, y) jestliže x a y jsou vektory téže délky, funkce vykreslí bodový graf hodnot y na pozicích x. Stejného výsledku můžeme docílit nahrazením argumentů x a y buď seznamem, obsahujícím dvě složky x a y, nebo maticí o dvou sloupcích (viz příkaz plot (x)). Implicitní vzhled grafu plot(x) a plot(x, y) můžeme upravit pomocí široké škály volitelných argumentů: main, sub, type axes, xlim, ylim, xlab, ylab ann, col, bg, pch, cex, lty, lwd parametry zadávající výpis názvu a popisků os, barvu, barvu pozadí grafu, znaky pro vykreslení bodů a jejich velikost, typ a tloušťku čar. Více informací v odstavci 7.3. frame.plot logická hodnota implicitně nastavená na TRUE graf orámuje asp poměr osy y/x > plot(function(x) 2*x~3, xlim=c(-3, 3), ylab="f(x)", main="Graf funkce + f(x)=2*x~3") > benzen <- c(3.34, 4.76, 4.87, 5.11, 3.89, 4.83, 5.02) sedm měření pro kontrolu obsahu benzenu v ovzduší [mg/m "3], [8] > plot(benzen, pch=8, xlab="cislo pozorováni", ylab="obsah benzenu + [mg/m~3]", main="0bsah benzenu v ovzdusi") 68 KAPITOLA 7. GRAFIKA V R Obr. 7.1. Funkce plotQ > plot(benzen, type= "P", main= "type= 'p" ', ylab= "benzen [mg/m" 3]" > plot(benzen, type= ii ti main= "type= '1" ', ylab= "benzen [mg/m" 3]" > plot(benzen, type= "b", main= "type= 'b" ', ylab= "benzen [mg/m" 3]" > plot(benzen, type= "c", main= "type= >c" ', ylab= "benzen [mg/m" 3]" > plot(benzen, type= "o", main= "type= 'o" ', ylab= "benzen [mg/m" 3]" > plot(benzen, type= "h", main= "type= 'h" ', ylab= "benzen [mg/m" 3]" > plot(benzen, type= "s", main= "type= 's" ', ylab= "benzen [mg/m" 3]" > plot(benzen, type= "S", main= "type= 'S" ', ylab= "benzen [mg/m" 3]" 69 KAPITOLA 7. GRAFIKA V R Obr. 7.2. Možné varianty argumentu type • barplotO sloupcový graf axes, main, sub, xlab, ylab, xlim, ylim beside lze použít pouze v případě vstupního argumentu typu matice. Implicitní hodnota beside=FALSE vykreslí více obdélníků nad sebou, nastavení na hodnotu TRUE vedle sebe. width vektor hodnot udávajících šířku vykreslovaných obdélníků na ose x. Jestliže vektor wide nedosahuje délky rovné počtu složek argumentu, je použito pravidlo recyc-líng rule. space velikost místa pro vynechání mezi jednotlivými sloupci (podíl průměrné šířky sloupce), může se jednat o numerickou hodnotu nebo vektor hodnot. Pro vstupní matici a argument beside=TRUE může být argument space specifikován vektorem dvou hodnot, první vyjadřuje odestup sloupců ve stejné skupině (ve stejném sloupci), druhý vyjadřuje odestup mezi skupinami. Implicitní nastavení je space=c(0,l) pro vstupní matici a argument beside=TRUE, pro ostatní možnosti space=0.2. names.arg vektor názvů ke každému sloupci nebo skupině sloupců legend.text vektor textových řetězců uvádějící názvy v legendě, má smysl jen pro vstupní matice horiz implicitní hodnota horiz=FALSE vykresluje obdélníky vertikálně, argument horiz=TRUE horizonatálně density hodnota nebo numerický vektor nastavující hustotu šrafovaní sloupců angle úhel pro sklon šrafovaní 70 KAPITOLA 7. GRAFIKA V R > load(file="penicilin.dat") načtení potřebného souboru dat, který musí být uložen v aktuálním pracovním adresáři. Data pro porovnání obsahu penicilinu [mg/l] v krvi dvou pacientů, [8] > barplot(penicilin, ylab="obsah penicilinu [mg/l]") > barplot(penicilin, beside=T, ylab="obsah penicilinu [mg/l]") > barplot(penicilin, beside=T, ylab="obsah penicilinu [mg/l]", + space=c(0.5,1.5), density=c(7,18), angle=c(60,105), col=gray(c(0, + 0.6))) funkce gray slouží k vykreslení různého stupně šedi (více v odstavci 7.3) Obr. 7.3. Porovnání obsahu penicilinu v krvi dvou pacientů [mg/l] > load(f ile="dunaj .dat") načtení datového souboru dunaj .dat (kolísání průtoku Dunaje [m3/s] během roku, [8]) > barplot(dunaj, names.arg=c("I", "II", "III", "IV", "V", "VI", "VII", + "VIII", "IX", "X", "XI", "XII"), ylab="prutok [m~3/s]", + xlab="mesic") > barplot(dunaj, horiz=T, names.arg=c("I", "II", "III", "IV", "V", + "VI", "VII", "VIII", "IX", "X", "XI", "XII"), ylab="prutok + [m~3/s]", xlab="mesic") > barplot(dunaj, width=c(l, 2, 3), density=rep(c(5, 8, 13), times=4), + angle=seq(from=30, by=10, length=12), names.arg=c("I", "II", "III", + Hjyi^ nVn} f hVh", "VIII", "IX", "X", "XI", "XII"), ylab="prutok + [m~3/s]", xlab="mesic") > barplot(dunaj, col=gray(seq(from=0, to=l, length=12)), names.arg= + c("I", "II", "III", "IV", "V", "VI", "VII", "VIII", "IX", "X", "XI", + "XII"), ylab="prutok [m~3/s]", xlab="mesic") 71 KAPITOLA 7. GRAFIKA V R I III V VII IX XI 0 500 1000 průtok [mA3/s] i m v VII IX XI Obr. 7.4. Kolísání průtoku Dunaje během roku [nT3/s] • hist() histogram pro numerický vektor breaks argument šířky intervalů, implicitní nastavení je breaks="Sturges", která šířku intervalů počítá Sturgesovým pravidlem: log2n + l, [18], dalšími možnostmi jsou breaks="Scott" (Scottovo pravidlo: 3.5 • a ■ n-1/3, [18]) nebo breaks="FD" (Fre-edman a Diaconis: 2 • IQR ■ n-1/3, [18]), n udává počet hodnot vektoru, a je odhadem směrodatné odchylky a IQR značí interkvantilové rozpětí f req implicitní nastavení f req=TRUE vykresluje absolutní četnosti, nastavení na hodnotu f req=FALSE vykresluje relativní četnosti right pro implicitní hodnotu right=TRUE jsou intervaly zprava uzavřené, zleva otevřené, pro hodnotu right=FALSE je tomu naopak labels pro hodnotu labels=TRUE vypisuje nad sloupce absolutní/relativní četnosti density, angle stejně jako u barplot() axes, main, sub, xlim, ylim, xlab, ylab Funkce hist() má k dispozici i výstupní hodnoty: breaks hodnoty hranic intervalů counts absolutní četnosti pro každý interval density hustota pravděpodobnosti pro jednotlivé intervaly intensities shodné s density mids středy intervalů xname název objektu v argumentu equidist logická hodnota stejné délky všech intervalů > load(f ile="obili.dat") načtení souboru dat (sklizňová ztráta obilí [g/m3], [8]) > hist(obili, breaks="Sturges", main="breaks=:,Sturges'") > hist(obili, breaks="Scott", main="breaks='Scott'") > hist (obili, breaks="FD", main="breaks='FD'") 72 KAPITOLA 7. GRAFIKA V R breaks='Sturges' breaks='Scotť breaks='FD' i—i—i—i—i—i—i—i 3456789 10 ~1 10 i—r 3 4 n—i—r 6 7 8 1-1 9 10 obili obili obili Obr. 7.5. Sklizňová ztráta obilí [g/m"3], argumenty šírky intervalu > hist(obili, main="") > hist(obili, freq=F, main="") > hist(obili, labels=T, main="") Obr. 7.6. Sklizňová ztráta obilí [g/m"3], zobrazení absolutních a relativních četností > (hist (obili)) výstupní hodnoty $breaks [1] 3 4 5 6 7 8 9 10 $counts [1] 2 0 5 8 2 2 1 $intensities [1] 0.09999998 0.00000000 0.25000000 0.40000000 0.10000000 + 0.10000000 0.05000000 $density [1] 0.09999998 0.00000000 0.25000000 0.40000000 0.10000000 + 0.10000000 0.05000000 73 KAPITOLA 7. GRAFIKA V R $mids [1] 3.5 4.5 5.5 6.5 7.5 8.5 9.5 $xname [1] "obili" $equidist [1] TRUE $attr(,"class") [1] "histogram" • pie() koláčový graf pro vektor nezáporných celých čísel labels vektor textových hodnot vyjadřující názvy jednotlivých dílů grafu edges numerická hodnota udávající počet vrcholů polygonu clockwise logická hodnota vykreslení po (TRUE) nebo proti (FALSE, implicitní nastavení) směru hodinových ručiček init. angle počáteční úhel pro natočení grafu density, angle > kralici <- c(3, 4, 2, 5, 3) > pie(kralici, angle=30, labels=c("lokalita + 1", "lokalita 2", "lokalita 3", "lokalita 4", "lokalita 5"), + col=gray(seq(from=0, to=l, length=5))) > pie(kralici, edges=5, col=gray(seq(from=0, to=l, length=5))) > pie(kralici, clockwise=F, init.angle=90, col=gray(seq(from=0, to=l, + length=5))) 2 lokalita 3 Obr. 7.7. Počet chycených králíků v jednotlivých lokalitách lesa, [8] 74 KAPITOLA 7. GRAFIKA V R • boxplotO krabicový graf range vymezuje rozpětí "fousků" grafu, pro kladné range se "fousky" rozpínají do vzdálenosti range -IQR (interkvartilová odchylka), pro range=0 se rozpínají od minimální po maximální hodnotu, implicitní nastavení range=1.5 notch implicitní nastavení notch=FALSE, pro notch=TRUE zobrazuje výřezy po stranách "krabice" (výřezy odpovídají hodnotám ±ľ'5^®R) outline implicitní nastavení outline=TRUE zobrazuje odlehlé hodnoty, hodnota FALŠE odlehlé hodnoty nezobrazuje names vektor textových řetězců pro názvy jednotlivých krabicových grafů horizontál pro hodnotu horizontal=TRUE vykresluje grafy horizontálně par s seznam parametrů k volbě vzhledu krabicového grafu (velikosti "krabic", hodnoty "fousků" a extrémů, typy, šířky a barvy čar, velikosti bodů atd.), více pomocí příkazu help(bxp) Příkazem (boxplotO) získáme výstupní hodnoty: stats matice, jejíž sloupce obsahují informaci o hodnotách dolního "fousu", dolní části krabice, mediánu, horní části krabice a horním "fousu".1 n vektor počtu pozorování každé skupiny conf matice, jejíž sloupce obsahují horní a dolní extrémy výřezů (notch) out odlehlé hodnoty group vektor stejné délky jako out, jehož prvky uvádějí, do které skupiny patří odlehlé hodnoty names vektor názvů skupin > load(file="dusičnany.dat") načtení datového souboru (obsah dusičnanů ve studniční vodě, [8]) > boxplot(dusičnany) > boxplot(dusičnany, range=0) > boxplot(dusičnany, notch=TRUE, outline=FALSE) > load(f ile="kyslik.dat") načtení datového souboru (porovnání dvou metod stanovení obsahu kyslíku ve vodě [mg/l], [8]) > boxplot(kyslik, names=c("metoda A", "metoda B"), horizontal=TRUE, + las=l, xlab="obsah kysliku [mg/l]") záměrně jsou uvedeny pojmy jako dolní "fous", dolní část krabice, horní část krabice, horní "fous", protože implicitní nastavení (dolní hradba, dolní kvartil, horní kvartil, horní hradba) může být uživatelem změněno pomocí argumentů range a pars na jiné hodnoty. 75 KAPITOLA 7. GRAFIKA V R metoda B - metoda A - 6.4 6.6 6.8 7.0 7.2 7.4 obsah kyslíku [mg/l] Obr. 7.8. Obsah dusičnanů ve stud- Obr. 7.9. Porovnání dvou metod niční vodě [mg/l] stanovení obsahu kyslíku ve vodě [mg/l] > (boxplot(kyslik)) výstupní hodnoty $stats [,1] [,2] EU 6.4 6.5 [2,] 6.7 6.6 [3,] 6.9 6.9 [4,] 7.0 7.1 [5,] 7.3 7.4 $n [1] 30 30 $conf [1,] 6.81346 6.755766 [2,] 6.98654 7.044234 $out numeric(0) Sgroup numeric(0) $names [1] "metodaA" "metodaB" 76 KAPITOLA 7. GRAFIKA V R • stripchartO pro numerické vektory, seznamy a tabulky dat vykresluje diagram rozptýlení, používá se pro jednoduché zobrazení dat method způsob zobrazení shodných dat, implicitní nastavení method="overplot" způsobuje překrývání shodných dat, method="j itter" zobrazuje náhodně kolem osy y a method="stack" skládá nad sebe j itter v případě volby method=" j itter" můžeme argumentem j itter nastavit šířku vykreslování kolem osy y offset v případě volby method="stack" argument udává rozestup mezi jednotlivými vykreslenými body vertical pro hodnotu vertical=TRUE vykresluje vertikálně group.names textový řetězec názvů skupin zobrazovaný po bocích grafu (při vykreslení více grafů) at numerický vektor udávající pozici pro vykreslení bodů > load(f ile="cekani . dat") načtení datového souboru (doba čekání na zákazníka [min], [8]) > stripchart(cekáni, method="overplot", main="method = 'overplot'", + cex=l) > stripchart(cekáni, method="jitter", main="method = 'jitter'", cex=l, + pch=l) > stripchart(cekáni, method="stack", main="method = ' stack"', cex=1.5, + pch=20, offset=0.4, at=0) argument cex udává velikost znaků, pch typ znázorňovaných bodů, více viz odstavec 7.3 method = 'overplot' □ □□ □□ □□□□□□□□□ 1 0.105 I 0.110 I 0.115 method = 'jitter' I 0.120 I 0.125 o o 8 o St ° o • 8 1 • ! i e 8 I 0.105 I 0.110 i 0.115 method = 'stack' 1 0.120 i 0.125 • • • • • • • • • • • I 0.105 I 0.110 T 0.115 m m a y m a ■ 0.120 T 0.125 Obr. 7.10. Doba čekání na zákazníka [min] • matplotO vykreslení více datových řad do jednoho grafu. Vzhled grafu lze měnit níže uvedenými argumenty, implicitní vykreslení je pomocí číslic matplot (x) pro vstupní matici x tvoří každou datovou řadu jeden sloupec matice 77 KAPITOLA 7. GRAFIKA V R matplot(x, y) pro dvě vstupní matice stejných rozměrů udávají shodné pozice souřadnice bodů, datové řady opět tvoří sloupce matic. Lze vykreslit i pro vstupní vektor x stejné délky jako počet řádků matice y type, main, xlab, ylab, xlim, ylim lty, lwd, pch, col, cex viz odstavec 7.3 > load(f ile="smes .dat") načtení datového souboru (vliv krmné směsi na přírůstek zvířat, [8]) > matplot(smes, main="matplot(x)", ylab="prirustek [kg]", type=c("b", + "b"), lty=c(2,3), pch=c(15, 16), col=c(2,4)) > legend(7, 29, c("smes 1", "smes 2"), lty=c(2,3), pch=c(15, 16), + col=c(2,4)) funkce pro zobrazení legendy, více viz odstavec 7.2 > time <- seq(from=1962, to=1978, length=17) > load(f ile="chmel.dat") načtení datového souboru (vývoz a sklizeň chmele v ČSSR v letech 1962 až 1978, [8]) > matplot(time, chmel, main="matplot(x,y)", ylab="chmel [tis. tun]") > legend(time[l], 12, c("vyvoz", "sklizen"), pch=c("l","2"), col=l:2) matplot(x) matplot(x,y) 1 vyvoz sklizen Obr. 7.11. Vliv krmné směsi na přírůs- Obr. 7.12. Vývoz a sklizeň chmele tek zvířat [kg], [8] v ČSSR v letech 1962 až 1978 • qqnormO , qqlineO grafy pro ověřování normality dat. qqnormO vykresluje normální kvantil-kvantilový graf (Q-Q plot), qqlineO navíc přidá do již existujícího grafu přímku odpovídající normálnímu rozložení, jedná se o low-lewel funkci 78 KAPITOLA 7. GRAFIKA V R > qqnorm(rnorm(70)) > qqnorm(rnorm(70)) > qqline (rnorm(70) , col=gray (0.5)) funkce gray slouží k vykreslení různé stupně šedi (více v odstavci 7.3) Normal Q-Q Plot Normal Q-Q Plot "i i i i i —i-1-1-1-r -2-1012 -2-1012 Obr. 7.13. Q-Q plot pro výběr z normálního rozložení • curveO vykreslí křivku f rom, to interval pro vykreslení funkce > curve(sin(5*x), from=-30, to=30, main="curve()") curve() -30 -20 -10 0 10 20 x Obr. 7.14. Funkce curve() 79 KAPITOLA 7. GRAFIKA V R • persp(x, y, z) slouží k vykreslení 3D grafu xlim, ylim, zlim intervaly pro vykreslování hodnot na osách x, y & z main, sub, col theta úhel pro otočení grafu v horizontálním smyslu pni úhel pro otočení grafu ve vertikálním smyslu shade stínování ticktype typ os, ticktype="simple" (implicitní nastavení) vykreslí pouze šipky souběžné s osami grafu, šipky indikují směr nárůstu hodnot, ticktype="detailed" zobrazuje i měřítko os (počet značek na ose udává argument nticks) border implicitní nastavení NULL vykresluje křivky, barvu vykreslovaných křivek můžeme měnit pomocí argumentu col nebo funkce grayO, nastavení border=NA vykreslení křivek zabraňuje persp(x, y, z) persp(x, y, z, ticktype="detailed", nticks=5, phi=270, xlab="osa x' ylab="osa y", zlab="osa z") persp(x, y, z, ticktype="detailed", nticks=5, phi=30, theta=55, shade=0.5, xlab="osa x", ylab="osa y", zlab="osa z") persp(x, y, z, shade=0.5, phi=30, theta=55, border=NA, axes=F) -1.0 Obr. 7.15. Funkce perspO 80 KAPITOLA 7. GRAFIKA V R • image() vytvoří mřížku s obdélníky různého stupně šedi, slouží k zobrazení 3-dimenzionálních nebo prostorových dat > x <- seq(-1.5*pi, 1.5*pi, length=50) > y <- seq(-1.5*pi, 1.5*pi, length=50) > z <- sin(x) %*% t(sin(y)) > image(x, y, z, col=gray(seq(from=0, to=l, length=80)), main="image()") imageO -4 -2 0 2 4 Obr. 7.16. Funkce image() Funkce contour () a filled, contour () slouží k podobnému zobrazení jako funkce image(). > contour(x, y, z, main="contour()") > filled.contour(x, y, z, main="filled.contour()") 81 KAPITOLA 7. GRAFIKA V R contourQ filled. contourQ %É0 1 1 0.2-- O o o { 1\ ► -i-n -4 -2 0 n-r 2 4 Obr. 7.17. Funkce contour() Obr. 7.18. Funkce filled.contourQ Velký výběr dalších 3D grafů nabízí balíčky misc3d, scatterplot3d a lattice. • symbolsO na dané souřadnice vykreslí symboly - kružnice, čtverce, trojúhelníky, hvězdičky, více informací viz help(symbols) Další tvary pro vykreslení: rect() (vykresluje obdélníkovou oblast), polygonO (mnohoúhelníky), arrowsQ (šipky), rug() ("rohož" s rozestupem). 7.2 Low-level funkce Někdy se stává, že grafické funkce nevykreslují přesný typ grafu, jaký bychom si přáli. V těchto případech je dobré použít tzv. low-level funkce. Pomocí nich vytváříme celý graf po samostatných částech přidáním dalších informací (body, čáry, text,...) do již existujícího grafu. Nejpoužívanější funkce pro tvorbu low-level grafiky (pro význam argumentů bg, cex, col, lty, lwd a pch viz odstavec 7.3): • points(x, y, type, pch, col, bg, cex, lwd, ...) dle nastavení argumentů vykreslí body daných tvarů a barev na souřadnice x, y • lineš (x, y, type, lty, lwd, ...) vykreslí lomenou čáru mezi body danými souřadnicemi x a y • segments(xO, yO, xl, yl, col, lty, lwd, ...) vykreslí úsečky mezi dvěma body o souřadnicích [x0,y0], [xl,yl] • abline(a, b, . . .) vykreslí přímku se směrnicí b a průsečíkem s osou y a • abline(h, . . .) vykreslí vodorovné úsečky přes celou šířku grafu, h udává hodnoty 82 KAPITOLA 7. GRAFIKA V R na ose y • abline(v, . . .) vykreslí svislé úsečky, v udává hodnoty na ose x • legend(x, y, legend, . . .) na souřadnice x a y vytiskne legendu (vektor textových řetězců). Funkce má velké množství volitelných argumentů (viz help (legend)) • title(main, sub, xlab, ylab, ...) vypíše název, podtitulek, popisky os • grid(nx, ny) vykreslí mřížku, nx a ny udávají počet vertikálních a horizontálních čar, implicitní nastavení k vykreslování mřížky (col="lightgray", lty="dotted", lwd=par ("lwd")) lze samozřejmě libovolně měnit • axis(side, at, labels, tick, lty, lwd, col, ...) vykreslí osu, umožňuje nastavit značky a popisky libovolně pro jednotlivé osy s ide přirozené číslo specifikující stranu grafu, na které má být osa vykreslena (1 - dole, 2 - vlevo, 3 - nahoře, 4 - vpravo) at body, ve kterých mají být vykreslovány značky pro měřítko labels názvy pro jednotlivé značky tick logická hodnota pro vykreslování značek • text(x, y, labels, . . .) vypíše textový řetězec labels do grafu na pozici [x,y] • mtext(text, side, . . .) vypíše textový řetězec text na okraj grafu (side) 7.3 Funkce par() Funkce par() slouží k nastavení a změnám parametrů aktuálního grafu. Nastavení parametrů pomocí funkce par() mění hodnoty parametrů nastálo - ve všech dalších voláních libovolné grafické funkce až do doby zavření grafického okna nebo nastavení parametrů na nové hodnoty. S otevřením nového grafického okna jsou všechna předchozí nastavení ignorována. Text adj zarovnání textu pro název grafu a popisky os, 0 - zarovnat vlevo, 1 - zarovnat vpravo, 0.5 - zarovnat horizontálně na střed ann implicitní hodnota ann=TRUE vypisuje anotace (název a popisky os), hodnota FALŠE je potlačuje cex relativní velikost znaků (1 - normální velikost, 2 - dvojnásobná), cex.main nastaví velikost znaků pro název grafu, cex.sub pro podtitulek, cex.axis, cex. lab pro velikost písma popisků a názvů os 83 KAPITOLA 7. GRAFIKA V R Barva bg barva pozadí grafu col barva bodů, obrysů bodů nebo spojnice. Barva může být vyjádřena přirozeným číslem nebo textovým řetězcem. Pro barvu os použijeme příkaz col. axis, pro popisky os col.lab, pro titulek a podtitulek grafu col.main a col.sub. Základní barvy jsou uvedeny v Tab. 7.1, podrobnější seznam barev o 657 položkách dostaneme příkazem colorsO, funkcí grayO s argumenty od 0 do 1 získáme různé stupně šedi barva numerická hodnota textový řetězec bílá 0 "white" černá 1 "black" červená 2 "red" zelená 3 "green" modrá 4 "blue" modrozelená 5 "cyan" fialová 6 "magenta" žlutá 7 "yellow" šedá 8 "gray" Tab. 7.1. Barvy bodů Graf pty textový řetězec specifikující tvar grafické oblasti, "s" čtvercová, "m" maximální mfcol 2-prvkový vektor tvaru c(pocet_radku, pocet_sloupcu) rozdělující graf na odpovídající počet podgrafů, jednotlivé grafy jsou řazeny po sloupcích mf row stejně jako mfcol, grafy jsou řazeny po řádcích new implicitní nastavení FALŠE, nastavení na hodnotu TRUE umožňuje přikreslení dalšího grafu pomocí high-level funkce do již existujícího grafu Osy las numerická hodnota pro otočení popisků os: 0 - x vodorovně, y svisle 1 - x i y vodorovně 2 - x svisle, y vodorovně 3 - x i y svisle 84 KAPITOLA 7. GRAFIKA V R Body, čáry lty numerická hodnota udávající typ čáry, jednotlivé typy s odpovídající hodnotou jsou uvedeny na Obr. 7.19 lwd numerická hodnota pro šířku čáry, standardní lwd=l pch numerická hodnota pro znak vykreslovaných bodů, jednotlivé znaky s hodnotami 1-20 jsou uvedeny na Obr. 7.26. Pro hodnoty 21 - 25 jsou vykresleny znaky s hodnotou 1, 0, 5, 2, 6 (v tomto pořadí) s volitelnou barvou výplně bg a barvou hranice col. Hodnoty 26 - 31 nejsou definovány, hodnotám 32 - 255 odpovídají znaky ASCII tabulky. Je možno použít i jakékoliv textové řetězce, vypisuje se však vždy jen první znak. 6 -5 - 4 - 3 - 2 - 1 - 0 - - 'twodash' - 'longdash' - 'dotdash' - 'dotted' - 'dashed' - 'solid' - 'blank' Obr. 7.19. Typy čar (argument lty) □ O A+xOV^]*<^©$ffl ® 0 n-1-1-1-1-1-1-1-1-1-1-1-1-1-1-r n-1-1-r o 1 9 10 11 12 13 14 15 16 17 18 19 20 Obr. 7.20. Typy bodů (argument pch) 7.4 Další užitečné funkce K otevření dalšího grafického okna slouží příkaz dev.new() nebo windows() (pouze v systému Windows). Příkaz dev.new() můžeme použít i s numerickým argumentem which, prostřednictvím něhož lze příkazy dev. set (which) a dev. of f (which) dané okno aktivovat, popř. zavřít. Příkaz graphics . of f () zavře všechna grafická okna. 85 KAPITOLA 7. GRAFIKA V R Ukládat grafy lze v menu File —> Save as výběrem požadovaného formátu. Alternativou je použít některého z příkazů: pdf(file, width, height) postscript(file, width, height) png(file, width, height) jpeg(file, width, height) file textový řetězec pro název souboru width šířka grafu v palcích height výška grafu v palcích > pdf(file="Nil.pdf") > plot(Nile, main="Rocni průtoky reky Nil") vykreslení objektu Nile (vestavěná proměnná) > dev.off() null device Příkazem recordPlotO lze grafy ukládat i jako objekty. Zpětně lze takto uložený graf zobrazit (a upravovat) příkazem replayPlotO nebo zavoláním názvu objektu. > plot(Nile, main="Rocni průtoky reky Nil") > Nil <- recordPlotO uložení grafu do proměnné Nil > replayPlot (Nil) zobrazení grafu 1 Rocni průtoky reky Nil o o ■st- o o CM O O O O O - CO O o - CD 1880 1900 1920 1940 1960 Time Obr. 7.21. Roční průtoky řeky Nil 86 KAPITOLA 7. GRAFIKA V R Funkce layoutO umožňuje vytvářet složený graf obsahující několik grafů různých rozměrů, přičemž mohou zabírat i více řádků či sloupců. Jediným povinným argumentem funkce je matice, jejíž počet řádků a sloupců a jejich číselné hodnoty určují pořadí zaplňování jednotlivých "boxů" grafy. Příkaz layout(matrix(c(l, 0, 3, 2), 2, 2, byrow=TRUE)) vytvoří graf se čtyřmi boxy, přičemž pozice [1,1] bude obsazena jako první, dále budou obsazovány pozice [2,2] a [2,1], pro nulovou hodnotu zůstává pozice prázdná (pozice [1,2]). Argumenty heights a widths jsou používány ke specifikaci výšek a šířek boxů. Šablonu s jednotlivými boxy si můžeme prohlédnout příkazem layout. show(n) (Obr. 7.22), kde n udává počet vykreslovaných grafů. > layout(matrix(c(1, 0, 3, 2), 2, byrow=T), widths=c(3, 1), heights=c(l, + 3)) > layout. show(3) (Obr. 7.22) > load(f ile="pary.dat") načtení datového souboru (závislost výšky 169 manželských párů, [8]). Soubor obsahuje proměnnou pary typu seznam se složkami muz, zena, muzhist a zenahist > attach(pary) > layout(matrix(c(1, 0, 3, 2), 2, byrow=T), widths=c(3, 1), heights=c(l, + 3)) > par(mar=c(0, 3.5, 1, 1)) funkce mar slouží pro nastavení okrajů grafu > barplot(muzhist, axes=F, space=0) > par(mar=c(3.5, 0, 1, 1)) > barplot(zenahist, axes=F, space=0, horiz=T) > par(mar=c(4.3, 4, 1, 1)) > plot(muz, zena, xlab="muz [mm]", ylab="zena [mm]") muz [mm] Obr. 7.22. Šablona s boxy Obr. 7.23. Závislost výšky 169 manželských párů 87 KAPITOLA 7. GRAFIKA V R Funkce split. screenO slouží k dělení grafického prostředí na libovolný počet částí. Např. příkazem split.screen(c(2,2)) rozdělíme prostředí na čtyři části, na něž můžeme odkazovat příkazy screen(l),..., screen(4) a pomocí těchto příkazů dané podgrafy vytvářet nebo měnit. Každá část přitom může být znovu rozdělena pomocí funkce split.screen(c(,), screen). Poznámka. Rozdělení grafu na jednotlivé podgrafy můžeme dosáhnout i pomocí argumentů mf col a mfrow funkce par() (viz odstavec 7.3). MATLAB používá k rozdělení grafu na více částí funkci subplot. > load(file="etnika.dat") načtení datového souboru (počet souhlasných reakcí na deset otázek zástupcům čtyř etnik, [8]) > popisx <- rownames(etnika) > split. screen(c(l ,3)) vytvoří prázdné grafické okno, navíc je výstupem i vektor hodnot odkazující na jednotlivé podgrafy, šablona okna s boxy viz Obr. 7.24 [1] 1 2 3 screen 1 screen 2 screen 3 Obr. 7.24. Šablona okna s boxy pro příkaz split. screen(c(l,3)) > screen(l) aktivace levého boxu pro vykreslení podgrafu > barplot(etnika[,1], main="etnikum 1", names.arg=popisx, las=3) > screen(2) > barplot(etnika[,2], main="etnikum 2", names.arg=popisx, las=3) > split. screen(c(2,1), screen=3) rozdělení pravého boxu na 2 další boxy, aktuální šablona s boxy viz Obr. 7.25 [1] 4 5 88 KAPITOLA 7. GRAFIKA V R screen 4 screen 1 screen 2 screen 5 Obr. 7.25. Šablona okna s boxy pro příkaz split.screen(c(2,1) , screen=3) > screen(4) > barplot(etnika[,3], main="etnikum 3", names.arg=popisx, las=3) > screen(5) > barplot(etnika[,4], main="etnikum 4", names.arg=popisx, las=3) etnikum 1 etnikum 2 etnikum 3 ooooooooo^ etnikum 4 ooooooooo^ oooooooo^ ooooooooo^ Obr. 7.26. Počet souhlasných reakcí na deset otázek zástupcům čtyř etnik. Interaktivní funkce locatorO umožňuje vybrat pozici pro umístění grafických prvků (např. legendy, popisků os,...). Funkce locatorO čeká, než uživatel zvolí levým tlačítkem myši místo, následně vypíše jeho souřadnice. Argument n udává počet bodů, u kterých chceme tímto způsobem zjistit souřadnice. 89 KAPITOLA 7. GRAFIKA V R Příklady k procvičení 1. Do jednoho grafu zakreslete na intervalu [0, 3tt] graf funkcí sin x (červeně) a cos x (modře). Graf vhodně otitulkujte a pomocí funkce locatorO obě funkce popište. 2. Vestavěná proměnná InsectSprays popisuje účinnost sprejů proti hmyzu a zahrnuje dvě složky - count a spray. Vykreslete histogram absolutních četností pro počet jedinců hmyzu daného pozorování (složka count). 3. Pro stejnou proměnnou jako v úkolu 2 vykreslete boxplot. Dále zjistěte, zda se data řídí normálním rozložením. Svou odpověď podložte vhodným grafem. 4. Do dvou grafů vedle sebe zobrazte graf funkce sin(rr) cos(x+y) pro x,y z intervalu [0, 5]. Do levého grafu zobrazte prostorový graf, do pravého pouze jeho vrstevnice. Grafy popište. 5. Načtěte soubor výškomer. dat, ve kterém je uloženo 15 kontrolních měření dvěma různými výškomery. Do jednoho grafu zakreslete průběh měření pro oba výškomery následovně: • průběh pro vyskomerl modrými čtverečky, • průběh pro vyskomer2 zelenými hvězdičkami, • graf opatřete názvem, popisky os a legendou. Graf uložte do souboru "vyskomer.pdf". Řešení. 1. x <- seq(from=0, to=3*pi, length=100), y <- matrix(c(sin(x), cos(x)), ncol=2) matplot(x, y, col=c(2,4), type="l", xlab="osa x", ylab="osa y", main="Grafy funkci sin(x) a cos(x)") nebo plot(x, sin(x), col=2, type="l", xlab="osa x", ylab="osa y", main="Grafy funkci sin(x) a cos(x)"), points(x, cos(x), col=4, type="l") nebo plot(x, sin(x), col=2, type="l", xlab="osa x", ylab="osa y", main="Grafy funkci sin(x) a cos(x)"),lines(x, cos(x), col=4, type="l") souřadnice <- locator(2) text(souřadnice, labels=c("sin(x)", "cos(x)")) 2. hist(InsectSprays$count) 90 KAPITOLA 7. GRAFIKA V R 3. boxplot(InsectSprays$count) qqnorm(InsectSprays$count), qqline(InsectSprays$count) 4. x <- seq(from=0, to=5, length=100) y <- x z <- sin(x) °/0*°/o t(cos(x+y)) layout(matrix(1:2, nrow=l)) persp(x, y, z, main="Funkce 'persp'") contour(x, y, z, main="Graf 'countour'") nebo split.screen(c(l,2)) screen(l), persp(x, y, z, main="Funkce 'persp'") screen(2), contour(x, y, z, main="Graf 'countour'") 5. load(file="vyskomer.dat") pdf(file="vyskomer.pdf") matplot(l:15, vyskomer, col=c("blue", "green"), lty=c(l,2), pch=c(15, 8)) legend(ll, 34, c("vyskomerl", "vyskomer2"), col=c("blue", "green"), pch=c(15, 8)) dev.off() 91 KAPITOLA 8. PROGRAMOVÁNÍ V R 92 Kapitola 8 Programování v R Základní informace Jazyk R je snadno rozšiřitelný o vlastní funkce či dávkové soubory. Pro zvládnutí tvorby vlastních funkcí je třeba porozumět rozdílům mezi lokálními a globálními proměnnými a ovládat podmíněné příkazy a příkazy cyklů. Použití těchto příkazů může ovšem být u některých datových struktur zdlouhavé či výpočetně neefektivní, těmo situacím je věnována poslední část kapitoly popisující skupiny funkcí apply. Výstupy z výuky Studenti • dokáží vysvětlit rozdíl mezi funkcemi a dávkovými soubory, • rozlišují lokální a globální proměnné, • ovládají různé podmíněné příkazy, • umí použít příkazy cyklů, • jsou schopni vhodně aplikovat funkci apply. 8.1 Funkce a dávkové soubory Programy v jazyce R, které si uživatel může sám vytvořit, lze rozdělit do dvou skupin - dávkové soubory a funkce. V následujících odstavcích si uvedeme hlavní rozdíly mezi nimi a způsoby, jak lze tyto programy vytvořit. KAPITOLA 8. PROGRAMOVÁNÍ V R Hlavním rozdílem funkcí a dávkových souborů je ten, že objekty definované uvnitř funkce nejsou k dispozici v pracovním prostoru. U dávkových souborů nezáleží na tom, z jakého adresáře jsou volány, objekty definované uvnitř dávky jsou v pracovním prostoru stále k dispozici. Dalším rozdílem je ten, že funkce pracují se vstupními proměnnými, dávkové soubory nikoliv. Funkce Každá funkce v R, ať vestavěná nebo definovaná uživatelem, je tvaru název <- function(argumenty){telo} kde název udává název funkce, argumenty je čárkami oddělená posloupnost vstupních argumentů a telo obsahuje posloupnost příkazů, které musí být uzavřeny ve složených závorkách { } (pouze v případě jediného příkazu mohou být složené závorky vynechány) . Funkce lze vytvářet přímo v příkazové řádce, při tvorbě složitějších zdrojových kódů je vhodnější místo příkazové řádky používat editory. Jazyk R má k dispozici zabudovaný vlastní editor, který najdeme v menu File —> New scrípt. Možné je rovněž používat editory jako PSPad nebo WinEdt s číslovanými řádky, kontrolou syntaxe apod. Takto vytvořené funkce ukládáme do souboru s koncovkou .R. V případě, že je funkce vytvořena přímo v příkazové řádce, spouští se zavoláním svého názvu název s argumenty uvedenými v kulatých závorkách. V případě, že je vytvořena v textovém editoru, je třeba nejdříve funkcí sourceO načíst soubor, ve kterém je uložena. Argumentem funkce sourceO je textový řetězec obsahující celý název souboru (i s koncovkou .R) nebo cestu k němu. Následně se spouští zavoláním názvu funkce název s argumenty uvedenými v kulatých závorkách. Při volání funkce bez názvů argumentů musí být jednotlivé argumenty uvedeny přesně v tom pořadí, v jakém byly definovány. V opačném případě můžeme použít přiřazení nazev_argumentu=hodnota, popř. názvy argumentů můžeme zkracovat, jestliže zkratka nemůže znamenat žádný jiný argument. Hodnoty argumentů mohou mít definovány své implicitní hodnoty - ty lze příkazem nazev_argumentu=implicitni_hodnota nastavit v seznamu argumentů při definování funkce. Při volání funkce pak tyto argumenty mohou být vynechány a bude jim přidělena hodnota implicitniJiodnota. Výstupní hodnoty získáme pomocí funkce returnO, pouze k výpisu hodnot se používá funkce print(). V případě jediného výstupního objektu je tento objekt uváděn do argumentu funkce returnO, v případě více výstupních objektů musí být seskupeny do seznamu. Jazyk R rovněž umožňuje definování nových binárních operátorů (např. °/0in°/0). K odlišení od funkcí musí být jejich název ve tvaru "Znazev1/,". > kvádr <- function(a, b, c){ + obsah <- 2*(a*b + b*c + c*a) + objem <- a*b*c + return(list(obsah=obsah, objem=objem))} 93 KAPITOLA 8. PROGRAMOVÁNÍ V R > vystup <- kvádr(1, 2, 3) > vystup $obsah [1] 22 $objem [1] 6 Dávkové soubory Jedná se o posloupnost příkazů, která může využívat již definovaných objektů z pracovního prostoru. Zpravidla se vytváří v libovolném textovém editoru, název souboru musí mít příponu .R (např. dávka.R). Dávkové soubory se spouští funkcí source s názvem dávkového souboru (nebo cestou k němu) uvedeným jako textový řetězec (např. source("dávka.R")). > a <- 1; b <- 2; c <- 3 > source ("kvádr .R") spuštění dávky kvádr. R > obsah [1] 2 > objem [1] 6 Násilné ukončení běžící dávky nebo funkce se provádí příkazem Q. V průběhu funkce nebo dávky se občas může stát, že se potřebujeme dostat zpět do pracovního prostoru, např. vypracování zadaných úkolů (viz cvičení) a následně dále pokračovat v běhu funkce či dávky. To lze příkazem browserO, k odlišení funkce či dávky a prostředí pracovního prostoru se prompt změní na Browse [1] >. Od této chvíle se nacházíme v pracovním prostoru, kde můžeme zadávat libovolné příkazy. Zpět se dostaneme příkazem c nebo klávesou ENTER. MATLAB místo příkazu browserO používá keyboard, objevuje se prompt K» a k návratu zpět do dávkového souboru používá příkaz return. 8.2 Lokální a globální proměnné V jazyce R není nezbytně nutné deklarovat proměnné uvnitř funkce. Při vyhodnocování funkce R používá pravidlo lexícal scopíng, které rozhodne, zda je objekt lokální nebo globální proměnnou. > funkcel <- functionO {print (x)} > x <- 3 94 KAPITOLA 8. PROGRAMOVÁNÍ V R > f unkcel () Objekt x není definován uvnitř funkce f unkcel (), proto R hledá v uzavřeném1 prostředí objekt s názvem x a vytiskne jeho hodnotu. V případě, že by objekt x nebyl nalezen ani v globálním prostředí, zobrazilo by se chybové hlášení Error in print(x) : object 'x' not found a vyhodnocování funkce by tímto bylo u konce. [1] 3 MATLAB by v případě, kdy objekt x není definován uvnitř funkce f unkcel (), dával chybové hlášení, protože proměnná x je považována za lokální v prostředí, ve kterém byla definována (v tomto případě ve workspace). > funkce2 <- function(){x <- 1; print(x)} > x <- 3 > funkce2() [1] 1 > x Jestliže je x použito jako název objektu uvnitř funkce, hodnota x v globálním prostředí nebude změněna. [1] 3 Chceme-li mít k dispozici i v globálním prostředí přiřazení provedená uvnitř funkce, musíme použít operátoru «- nebo funkce assign s argumentem envir=.GlobalEnv. > funkce3 <- function(){x <- 2; print(x)} > x přesvědčíme se, že objekt x není definován Error: object 'x' not found > funkce3() [1] 2 > x objekt x opravdu není v globálním prostředí definován, je definován pouze v prostředí funkce f unkce3 Error: object 'x' not found Rozdíl při použití operátoru pro globální přiřazení: > funkce4 <- functionO{assign("x", 2, envir=.GlobalEnv); print(x)} > x Error: object 'x' not found > funkce4() [1] 2 > x lrTo, že jde o uzavřené prostředí, je důležité. V našem příkladu jsou dvě prostředí: globální a prostředí funkce f unkcel () . Kdyby zde byla tři a více vnořených prostředí, hledání objektu by probíhalo postupně od daného prostředí, přes jednotlivá uzavřená prostředí až ke globálnímu. 95 KAPITOLA 8. PROGRAMOVÁNÍ V R [1] 2 8.3 Podmíněné příkazy Do této chvíle jsme sestavovali programy, které vyhodnocovaly pouze jednoduché příkazy nebo jejich posloupnosti uzavřené ve složených závorkách. Často ovšem potřebujeme provést sérii příkazů až na základě výsledku nějaké podmínky/nějakých podmínek. if (podminka) {prikaz} provede prikaz v případě, že podminka je vyhodnocena jako TRUE. V případě vyhodnocení podmínky jako FALSE se žádné příkazy neprovedou. > x <- 5 > if (x > 3) {"Podminka splněna."} [1] "Podminka splněna." if (podminka) {prikazl} else {prikaz2} V případě vyhodnocení podmínky podminka jako TRUE je proveden prikazl, v opačném případě je proveden prikaz2. > if (x > 3) {"Podminka splněna."} + else {"Podminka nesplněna."} [1] "Podminka splněna." Podmínka vrací buď hodnotu TRUE nebo FALSE. Jestliže podmínka vrací logický vektor o více než jednom prvku, jako výsledek vyhodnocení podmínky je ovšem brán pouze jeho první prvek. Součástí výstupu je i hlášení: > x <- c(-2, 0, 3, 1) > if (x > 0) {"vetsi nez 0"} + else {"menši nebo rovno 0"} [1] "menši nebo rovno 0" Warning message: In if (x > 0) { : the condition has length > 1 and only the first element will be used MATLAB by v tomto případě vyhodnotil podmínku vracející vektor o hodnotách TRUE jako TRUE, v případě jediné hodnoty FALŠE jako FALŠE. 96 KAPITOLA 8. PROGRAMOVÁNÍ V R podminkal prikazl podminka2 prikaz2 podminka3 prikaz3 prikaz4 Obr. 8.1. Diagram vysvětlující příkaz if - else if - else Alternativou k příkazu if - else může být příkaz ifelse(podminka, prikazl, prikaz2), která v případě podmínky vyhodnocené jako TRUE provede příkaz prikazl, v opačném případě provede prikaz2. > ifelse(x > 3, "Podminka splněna.", "Podminka nesplněna.") [1] "Podminka splněna." if (podminkal) {prikazl} else if (podminka2) {prikaz2} else if (podminka3) {prikaz3} else {prikaz4} Vysvětlení těchto podmíněných příkazů je zachyceno na Obr. 8.1. > x <- 3 > if (x == 1) {"červena - stat!"} + else if (x == 2) {"oranžova - připravit se"} + else if (x == 3) {"zelena - muzeme jet"} + else {"zadna jina barva na semaforu neexistuje"} [1] "zelena - muzeme jet" Příkaz switch(vyraz, prikazy, prikazy_jine) slouží také k větvení programu. Jestliže vyraz je celé číslo, na výstupu je vrácena hodnota odpovídajícího prvku prikazy. Pokud nedojde ke spojení hodnoty vyraz s prvkem prikazy, funkce vrací hodnotu NULL. Pro textový řetězec musí být název vyraz použit ke spojení s příslušným prvkem posloupnosti prikazy. Pokud nedojde ke spojení s některým z prvků posloupnosti prikazy, můžeme definovat prikazy_j ine, které budou v tomto případě provedeny. prikazy_j ine můžeme definovat pouze pro vyraz typu textový řetězec. Syntaxe příkazu bude názornější z následujících příkladů: 97 KAPITOLA 8. PROGRAMOVÁNÍ V R > switch(2, "výborne", "velmi dobre", "dobre", "uspokojivé", + "dostatečné", "nedostatečné") [1] "velmi dobre" > switch(7, "výborne", "velmi dobre", "dobre", "uspokojivé", + "dostatečné", "nedostatečné") [1] NULL > switch("výborne", vyborne="známka A", velmi_dobre="známka + B", dobre="znamka C", uspokojive="známka D", dostatecne="znamka E", + neuspokoj ive="známka F", "známka neexistuje") [1] "známka A" > switch("chvalitebné", vyborne="známka A", + velmi_dobre="známka B", dobre="znamka C", uspokojive="známka D", + dostatecne="známka E", neuspokojive="známka F", "známka neexistuje") [1] "známka neexistuje" 8.4 Příkazy cyklů Někdy potřebujeme opakovaně vyhodnocovat příkaz nebo skupinu příkazů. Je třeba si dát pozor na správnou definici konce cyklu, v opačném případě může dojít k zacyklení. Mezi nejznámější příkazy cyklů patří funkce f or, while a repeat. for (proměnna in vyraz) {prikaz} Provede sérii příkazů prikaz, proměnna označuje indexační proměnnou, vyraz může být vektor nebo seznam, pro jehož každou složku je prikaz vyhodnocen. Cyklus for je vhodné používat tehdy, když předem víme, kolik opakování chceme provést. > for (i in 1:5) {cat("průchod cyklem", i, "\n")}2 funkce cat() zřetězí a vytiskne své argumenty průchod cyklem 1 průchod cyklem 2 průchod cyklem 3 průchod cyklem 4 průchod cyklem 5 Někdy ovšem předem nevíme, kolikrát bude třeba cyklus opakovat, a počet opakování závisí na splnění určité podmínky. V těchto případech použijeme cyklus while: while (podminka) {prikaz} 2výraz "\n" způsobí přechod na nový řádek 98 KAPITOLA 8. PROGRAMOVÁNÍ V R Stejně jako u výrazu if, podminka je výraz, který po vyhodnocení vrací logickou hodnotu TRUE nebo FALSE. V případě splnění podmínky podminka cyklus provede prikaz. > i <- 1 > while (i '/.in'/. c(l:5)) {print(i); i <- i + 1} [1] 1 [1] 2 [1] 3 [1] 4 [1] 5 Cyklus repeat opakuje vyhodnocování příkazů prikaz do té doby, dokud nedosáhne konce. Pro ukončení se používá příkaz break, který je součástí posloupnosti příkazů prikaz. Syntaxe vypadá následovně: repeat {prikaz} Poznámka. Příkaz break lze použít i pro ukončení cyklů f or a while. > i <- 0 > repeat{ + print(i) + i <- i + 1 + if (i == 5) {break}} [1] 0 [1] 1 [1] 2 [1] 3 [1] 4 8.5 Skupiny funkcí applyO Do této skupiny patří funkce applyO, lapplyO, sapplyO a tapplyO. Společnou vlastností všech těchto funkcí je schopnost aplikovat funkci na vybrané části struktury bez použití cyklu, což má výhody v přehlednosti i rychlosti výpočtu. Funkce applyO se používá pro vektory, matice a pole. Funkce požaduje tři argumenty: název pole a jeho dimenze, na kterých má být provedena požadovaná operace. Její název je třetím argumentem funkce. Jestliže u matic druhý argument nabývá hodnoty 1, operace se provádí po řádcích, v případě hodnoty 2 po sloupcích, u polí vyšší hodnoty odkazují na další dimenze. 99 KAPITOLA 8. PROGRAMOVÁNÍ V R > ar <- array(l:8, c(2,2,2)) , , 1 [,1] [,2] [1,] 1 3 [2,] 2 4 , , 2 ,2] [1,] 5 7 [2,] 6 8 > apply(ar, 1, sum) [1] 16 20 > apply(ar, 2, sum) [1] 14 22 > apply(ar, 3, sum) [1] 10 26 Obě funkce lapplyO i sapplyO provádí výpočet určité funkce v jednotlivých složkách seznamu jako prvního argumentu. Druhým argumentem je název funkce, která má být provedena. Tyto příkazy se liší pouze výstupem - zatímco lapplyO vrací seznam o stejném počtu složek jako vstupní seznam, funkce sapplyO se snaží výsledek zjednodušit do vektoru nebo matice. > (1 <- list(l:5, 5:14)) [[1]] [1] 1 2 3 4 5 [[2]] [1] 5 6 7 8 9 10 11 12 13 14 > lapplyd, range) [[1]] [1] 1 5 [[2]] [1] 5 14 > sapplyd, range) [,1] [,2] [1,] 1 5 [2,] 5 14 100 KAPITOLA 8. PROGRAMOVÁNÍ V R Funkce tapplyO aplikuje požadovanou funkci na roztříděná data v tabulce dat. Argument INDEX specifikuje seznam položek pro roztřídění. > (tabulka <- data.frame(id=c(l:6), skupina=c(l, 2, 2, 1, 2, 1), + hodnota=runif(6, 2, 4))) id skupina hodnota 1 1 1 3.238305 2 2 2 2.502754 3 3 2 3.939131 4 4 1 3.524773 5 5 2 3.731300 6 6 1 3.836787 > tapply(tabulka$hodnota, INDEX=tabulka$skupina, mean) 1 2 3.533288 3.391061 Příklady k procvičení 1. Vytvořte dávku odd.R, uvnitř ní definujte vektor v s hodnotami 1, 3, 4, 5, 6, 7, 10 a výstupní proměnnou počet, která vrátí počet lichých čísel vektoru v. 2. Vytvořte funkci oddf .R, která pro libovolný vstupní vektor či vrátí počet lichých čísel. Zkontrolujte, zda vstupní objekt obsahuje pouze numerické hodnoty a zda jsou všechny tyto hodnoty celá čísla. 3. Vytvořte funkci mattovec. R, která pro vstupní matici vypíše vektor jejích po sloupcích seřazených prvků. Zajistěte, aby pro diagonální matice byla vypisována pouze diagonála a pro dolní/horní trojúhelníkové matice pouze dolní/horní část. 4. Vytvořte funkci product. R, která pro dvě vstupní celočíselné hodnoty n a k vrátí jejich součin, aniž by byla použita operace násobení. Povolena je pouze operace sčítání. 5. Pro usnadnění práce rybářům vytvořte funkci ryby.R, která pro vstupní vektor představující hmotnosti postupně vylovených ryb rybáře upozorní, kdy je třeba dávat další ryby do nové kádě. Nosnost každé kádě je 20 kg. Kolik kádí budou rybáři pro svůj úlovek potřebovat (výstupní proměnná kad)? Ošetřete, aby váhy vylovených ryb byla pouze kladná reálná čísla. Funkci vyzkoušejte na náhodně vygenerovaném vektoru hmotností 25 ryb s hmotnostmi mezi 1-5kg, hmotnosti zaokrouhlete najedno desetinné místo. 101 KAPITOLA 8. PROGRAMOVÁNÍ V R 6. Soubor les.dat obsahuje informace o šířce kmene 45 stromů ve dvou lokalitách lesa. Použijte vhodné příkazy pro zjištění průměrné, minimální a maximální šířky kmene pro každou z lokalit. Řešení. 1. v <- c(l, 3, 4, 5, 6, 7, 10) sude <- v 11 2 počet <- sum(sude) cat('Pocet lichých cisel: počet, '\n') ... dávku uložit s názvem odd.R, načítání a spouštění: source("odd.R") 2. oddf <- function(x){ if (is.numeric(x) & is.real(x)){ pocet <- sum(x 11 2) } return(pocet) } ... funkci uložit s názvem oddf . R, načítání funkce: source ("odd.R"), spouštění funkce: pocet <- oddf (v) 3. mattovec <- function(A){ if (sum(A - diag(diag(A))) == 0){ vec <- diag(A) } else if (sum(A[!lower.tri(A, diag=T)]) == 0){ vec <- A[lower.tri(A, diag=T)] } else if (sum(A[!upper.tri(A, diag=T)]) == 0){ vec <- A[upper.tri(A, diag=T)] } else vec <- as.vector(A) return(vec) } source("mattovec.R"), vec <- mattovec(matrix(l:4, 2)) 102 KAPITOLA 8. PROGRAMOVÁNÍ V R 4. product <- function(n, k){ if (round(n)-n != 0 I round(k)-k != 0){ stopC'Nejde o celociselne hodnoty!') } else if (n==0 I k==0){ součin <- 0 } else {součin <- 0 for (i in l:k){ součin <- součin + n }} return(soucin) } source("product.R"), součin <- product(2, 3) 5. ryby <- function(x){ kad <- 0 if (all(is.reaKx) & x>0)){ while (sum(x) >= 50){ index <- max(which(cumsum(x) <= 20)) x <- x[index:length(x)] kad <- kad + 1 } } else stopC'Nejedna se o vektor kladných reálnych cisel!") return(kad) } source("ryby.R") r <- round(runif(min=l, max=5, n=25), digits=l) kad <- ryby(r) 6. load("les.dat") tapply(les$sirka, INDEX=les$lokalita, mean) tapply(les$sirka, INDEX=les$lokalita, min) tapply(les$sirka, INDEX=les$lokalita, max) 103 KAPITOLA 9. ZÁKLADY STATISTICKÉHO ZPRACOVÁNÍ DAT 104 Kapitola 9 Základy statistického zpracování dat Jazyk R je programovací jazyk zaměřený především na statistickou analýzu dat a jejich grafické zobrazení. Poskytuje kompletní sadu statistických tabulek a řadu funkcí pro statistické zpracování dat. Některé základní funkce jsou uvedeny v odstavci 5.4. V této kapitole si uvedeme pouze základní příkazy z této oblasti. 9.1 Pravděpodobnostní rozložení Práce s rozloženími pravděpodobností se realizuje pomocí čtveřice funkcí. Jednotlivé funkce jsou schopny vyhodnotit distribuční funkci (P(X < x)), hustotu pravděpodobnosti, kvantilovou funkci (P(X < x) > q). K dispozici jsou rovněž generátory náhodných čísel jednotlivých rozložení. Následující tabulka zobrazuje přehled nejčastěji používaných rozložení a jejich odpovídající výše zmiňované funkce. rozložení hustota distribuční kvant ilová generátor ná- pravděpo- funkce funkce hodných čísel dobnosti beta dbeta pbeta qbeta rbeta binomické dbinom pbinom qbinom rbinom chi-kvadrát dchisq pchisq qchisq rchisq exponenciální dexp pexp qexp rexp F-rozdělení df Pf qf rf gamma dgamma pgamma qgamma rgamma Pokračování na další straně KAPITOLA 9. ZÁKLADY STATISTICKÉHO ZPRACOVÁNÍ DAT rozložení hustota distribuční kvant ilová generátor ná- pravděpo- funkce funkce hodných čísel dobnosti geometrické dgeom pgeom qgeom rgeom hypergeometrické dhyper phyper qhyper rhyper lognormální dlnorm plnorm qlnorm rlnorm negativně binomické dnbinom pnbinom qnbinom rnbinom normální dnorm pnorm qnorm rnorm Poissonovo dpois ppois qpois rpois Studentovo dt pt qt rt rovnoměrně spojité dun i f punif qunif runif Weibullovo dweibull pweibull qweibull rweibull Tab. 9.1. Tabulka pravděpodobnostních rozložení 9.2 Testy statistických hypotéz Častým předpokladem pro testování hypotéz je předpoklad o normalitě rozložení: shapiro.test(x) provede Shapirův-Wilkův test normality. Argument x udává vstupní vektor. Testujeme nulovou hypotézu H0: Zkoumaná data pochází ze základního souboru s normálním rozložením. Výstupem je hodnota testové statistiky H a p-hodnota p-value. ks.test(x, y) provede Kolmogorovův-Smirnovův test shody rozložení. Argument x je numerický vektor, argument y je textový řetězec udávající název příkazu pro distribuční funkci testovaného rozložení (pro normální rozložení y="pnorm"). Testujeme nulovou hypotézu H0: Zkoumaná data odpovídají danému teoretickému rozložení. Pro numerický vektor y funkce provede dvouvýběrový test s nulovou hypotézou, že x a y pochází ze stejného spojitého rozložení. Výstupem je hodnota testové statistiky D a p-hodnota p-value. > load(f ile="obsah.leciva.dat") načtení souboru s daty - obsah [mg/l] léčiva v krvi náhodně vybraných pacientů, [8] > shapiro.test(obsah.leciva) Shapiro-Wilk normality test data: obsah.leciva W = 0.9832, p-value = 0.6937 105 KAPITOLA 9. ZÁKLADY STATISTICKÉHO ZPRACOVÁNÍ DAT > load(f ile="len. dat") načtení souboru s daty - porovnaní hmotnosti stonku lnu [kg] ze dvou pozemků, [8] > ks .test(x=len[, 1] , y=len[,2]) Two-sample Kolmogorov-Smirnov test data: len[, 1] and len[, 2] D = 0.25, p-value = 0.5596 alternative hypothesis: two-sided Warning message: In ks.test(x = len[, 1] , y = len[, 2]) : cannot compute correct p-values with ties Poznámka. Funkce ks .test pro soubory malých rozsahů navíc vrací i varovné hlášení. Více viz help (ks. test). Pro testování homogenity rozptylů je zabudována funkce var. test (x, y, ratio=l, alternative, conf . level). Argumenty x a y udávají vstupní vektory pro porovnání vzájemné variability, ratio (implicitní nastavení ratio=l) stanovuje poměr variabilit daných pozorování. Předpokladem je normalita obou zkoumaných souborů, testujeme nulovou hypotézu H0: Poměr variabilit zkoumaných souborů je v poměru ratio. Argument alternative udává typ alternativy ("two. sided" pro oboustrannou alternativu, "less" pro pravostrannou a "greater" pro levostrannou alternativu). Argument conf . level udává spolehlivost testu. Výstupem je hodnota testového kritéria F, počet stupňů volnosti čitatele num df a jmenovatele denom df, p-hodnota p-value, konfi-denční interval spolehlivosti a vypočtený poměr ratio of variances. > var.test(x=len[,1], y=len[,2]) F test to compare two variances data: len[, 1] and len[, 2] F = 0.9896, num df = 19, denom df = 19, p-value = 0.982 alternative hypothesis: true ratio of variances is not equal to 1 95 percent confidence interval: 0.3916888 2.5001319 sample estimates: ratio of variances 0.9895826 106 KAPITOLA 9. ZÁKLADY STATISTICKÉHO ZPRACOVÁNÍ DAT K testování hypotézy o středních hodnotách použijeme: t.test(x, y, alternativě, mu, var.equal, conf.level) Argumenty x a y jsou vstupní vektory pro porovnání středních hodnot (v případě jednoho výběru je implicitní nastavení y=NULL), mu je numerická hodnota uvádějící testovanou střední hodnotu, popř. jejich rozdíl u dvou výběrů. Důležitým argumentem je var.equal, který uvádí, zda se jedná o test výběrů s rovnými (TRUE) nebo různými (FALŠE) rozptyly. Výstupem je hodnota testového kritéria t, počet stupňů volnosti df, p-hodnota p-value, interval spolehlivosti a odhad střední hodnoty/středních hodnot. > t.test(x=len[,1], y=len[,2], var.equal=TRUE) Two Sample t-test data: len[, 1] and len[, 2] t = 0.8607, df = 38, p-value = 0.3948 alternativě hypothesis: true difference in means is not equal to 0 95 percent confidence interval: -2.899901 7.189901 sample estimates: mean of x mean of y 48.115 45.970 Jednofaktorová ANOVA (analýza rozptylu) se zabývá posouzením vlivu jednoho faktoru na sledovanou proměnnou nebo porovnáním výsledků z různých zdrojů. Testujeme nulovou hypotézu H0: Střední hodnoty jednotlivých výběrů jsou shodné proti alternativě H^ Alespoň jedna dvojice středních hodnot se liší: anova(object) Argument object je objekt obsahující výsledky regresního modelu (např. lm nebo glm). Nejjednodušším regresním modelem je lineální model: lm(formula), kde formula je objekt typu 'formula': tyto objekty mohou být pomocí operátoru ~ využívány pro uchování symbolického předpisu vztahu mezi několika proměnnými. Výraz y ~ x vyjadřuje závislost proměnné y (vysvětlovaná, závisle proměnná) na proměnné x (vysvětlující, nezávisle proměnná). Výstupem je ANOVA tabulka obsahující počet stupňů volnosti Df, součet čtverců Sum Sq, průměrné čtverce Mean Sq, hodnotu testové statistiky F value a p-hodnotu Pr(>F). V případě zamítnutí nulové hypotézy je třeba provést vícenásobná porovnání, abychom zjistili, mezi kterými úrovněmi faktoru nabývají střední hodnoty zkoumané veličiny statisticky významných rozdílů. Tukeyova metoda: TukeyHSD(aov(formula)), kde aov(formula) provede analýzu rozptylu. Výstupem Tukeyovy metody je tabulka poskytující informace o porovnání 107 KAPITOLA 9. ZÁKLADY STATISTICKÉHO ZPRACOVÁNÍ DAT úrovní faktoru: rozdíl středních hodnot diff, dolní a horní mez intervalu spolehlivosti lwr, upr a p-hodnotu p adj. > load(file="krev.dat") načtení datového souboru - závislost obsahu celkového cholesterolu v krvi [mg/100 ml] na denní spotřebě tuku [g], [8] > anova(lm(krev[,2] krev[,l])) Analysis of Variance Table Response: krev[, 2] Df Sum Sq Mean Sq F value Pr(>F) krev[, 1] 1 56368 56368 64.498 2.319e-07 *** Residuals 18 15731 874 Signif. codes: 0 0.001 '**' 0.01 0.05 0.1 ' ' 1 9.3 Grafická zobrazení Grafický výstup ke statistice neodmyslitelně patří. V Kapitole 7 jsme se již seznámili s mnoha typy grafů, které jsou často využívány ve statistice (barplot, hist, pie, boxplot, stripchart, qqnorm, qqline). Zde si stručně ukážeme další typy grafů: • pairs() matice xy grafů v jednom okně, na vstup matice, faktor, nebo tabulka dat. Graf se často využívá při základní analýze závislosti proměnných > load(file="petrzel.R") načtení datového souboru - závislosti faktorů ovlivňující výnosnost petržele, [8] panel=panel. smooth přidá vyhlazovací křivku > pairs(petržel, panel=panel.smooth) > title('pairs()') • dotchartO vykreslí bodový graf dat, osa y zobrazuje indexy dat, osa x zobrazuje jejich hodnoty, na vstup vektor nebo matice labels popisky k ose y • sunf lowerplot () slunečnicový graf, jedná se o bodový graf, ve kterém se počet překrývajících bodů zobrazuje "okvětními lístky" number počet opakování v daném bodě digits počet desetinných míst, na než je možné považovat shodu v případě blízkosti bodů 108 KAPITOLA 9. ZÁKLADY STATISTICKÉHO ZPRACOVÁNÍ DAT pairsQ Obr. 9.1. Funkce pairs() rotate rotate=TRUE náhodně rotuje okvětní lístky, aby se zabránilo překryvům size, seg.col, seg.lwd délka, barva a tloušťka "okvětních lístků" • spineplotO speciální sloupcový graf pro 2-rozměrná data • mosaicplot () mozaikový graf, používá se pro zobrazení vztahů v kontingenčních tabulkách > popis <- rep(NA, times=100) příprava na popis osy y > popis [c(l, seq(from=10, by=10, to=100))] <- c(1871, seq(from=1880, + by=10, to=1970)) > dotchart(Nile, main="dotchart()", labels=popis, xlab="Rocni průtok + reky Nil", ylab="Rok") bodový graf ročních průtoků řeky Nil (vestavěná proměnná) > load(f ile="vino.dat") načtení datového souboru (obsah alkoholu jednotlivých vzorků vína tří kategorií, [8]) > sunflowerplot(vino, digits=2, axes=F, frame.plot=T, xlab="druh vina", + ylab="obsah alkoholu", main="sunflowerplot()", xlim=c(0, 4), + ylim=c(10.5, 14.5), seg.col=l) > axis(l, las=l, at=c(l,2,3), labels=c(LETTERS[1:3])) nastavení popisů os 109 KAPITOLA 9. ZÁKLADY STATISTICKÉHO ZPRACOVÁNÍ DAT > axis(2, las=l, at=c(ll:14), labels=c(ll:14)) > load(file="osoby.dat") načtení datového souboru (zastoupení mužů a žen na dvou lokalitách, [8]) > spineplot(osoby, xlab = "lokalita", ylab="procentualni zastoupeni", + main="spineplot()") > load(f ile="reklama.dat") načtení datového souboru (vliv reklamy a dne v týdnu na počet kusů prodaného zboží, [8]) > mosaicplot(reklama, xlab="den v týdnu", ylab="druh reklamy", + main="mosaicplot()") dotchart() sunflowerplotQ o o o CO 14 13 - 12 - 11 600 800 1000 1200 1400 spineplotQ lokalita A lokalita B 00 ó CO ó o CM Ó O Ó mosaicplotO ut st ct fa den v týdnu Obr. 9.2. Funkce dotchart() , sunf lowerplotO , spineplotO a mosaicplot() Mezi další používané grafy patří např. assocplotO , f ourf oldplotO , stars(), coplotO, cdplotO, matplotO .... 110 SEZNAM POUŽITÉ LITERATURY 111 Seznam použité literatury [1] BÍNA, V., KOMÁREK, A., KOMÁRKOVA, L. Jak na jazyk R: instalace a základní příkazy, [online] 2006. 18s. [cit. květen 2010]. Dostupné z WWW: [2] CRAWLEY, M. J. Statistics: An Introduction Using R, Vectors And Logical Arithmetic, [online] 30s. [cit. květen 2010]. Dostupné z WWW: [3] DROZD, P. Cvičení z bio statistiky: Základy práce se softwarem R. [online] Ostrava: 2007. Ills. ISBN 978-80-7368-433-4. [cit. květen 2010]. Dostupné z WWW: [4] GUNDERSEN, V. B. R for MATLAB Users [online]. 2007 [cit. květen 2010]. Dostupné z WWW: [5] HIEBELER, D. MATLAB/R Reference, [online] 52 s. [cit. květen 2010]. Dostupné z WWW: [6] KLEIBER, Christian, ZEILEIS, Achim. Applied Econometrics with R. New York: Springer 2008. 221 s. ISBN 978-0-387-77316-2 [7] KOLÁČEK, Jan, ZELINKA, Jiří. Jak pracovat s MATLABem. [online] 40 s. [cit. květen 2010]. Dostupné z WWW: [8] MELOUN, Milan, MILITKÝ, Jiří. Kompendium statistického zpracování dat: Metody a řešené úlohy včetné CD. 1. vydání. Praha: Academia, 2002. 764 s. ISBN 80-200-1008-4 [9] PARADIS, Emmanuel. R for Beginners, [online] 2002. 58s. [cit. květen 2010]. Dostupné z WWW: SEZNAM POUŽITÉ LITERATURY [10] R Developement Core Team. Writing R Extensions, [online] 2009. 155 s. ISBN 3-900051-11-9 [cit. květen 2010]. Dostupné z WWW: [11] SCOTT, Theresa A. An Introduction to R. [online]. 2004. 52s. [cit. květen 2010]. Dostupné z WWW: [12] SCOTT, Theresa A. An Introduction To The Fundamentals & Functionality Of The R Programming Language: Part I: An Overview, [online] 69 s. [cit. květen 2010]. Dostupné z WWW: [13] SCOTT, Theresa A. An Introduction To The Fundamentals & Functionality Of The R Programming Language: Part II: The Nuts and Bolts, [online] 101 s. [cit. květen 2010]. Dostupné z WWW: [14] SCOTT, Theresa A. An Introduction To The Fundamentals & Functionality Of The R Programming Language: Section I: Some Language Essentials, [online] 44s. [cit. květen 2010]. Dostupné z WWW: [15] SPECTOR, Phil. Data Manipulation with R. New York: Springer, 2008. 147 s. ISBN 978-0-387-74730-9 [16] VAVRČIK, H. Statistická analýza dat v aplikaci R. [online][cit. květen 2010]. Dostupné z WWW: [17] VENABLES, W.K., SMITH, D.M. and the R Development Core Team. An Introduction to R.[online] 100 s. ISBN 3-900051-12-7. [cit. květen 2010]. Dostupné z WWW: [18] VENABLES, W. N., RIPLEY, B. D. Modem Applied Statistics with S-Plus. 2. upravené vydání. New York: Springer-Verlag, 1994. 462 s. ISBN 0-384-94350-1 [19] The R Project for Statistical Computing, [online] [cit. květen 2010]. Dostupné z WWW: [20] The University Of Tennessee, [online][cit. kveten 2010]. Dostupne z WWW: 112